Методы и модели интеллектуального управления техническими объектами в условиях неопределенности тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Игнатьев Владимир Владимирович

• Игнатьев Владимир Владимирович
• доктор наук
• 2026

Оглавление диссертации доктор наук Игнатьев Владимир Владимирович

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ РАЗРАБОТКИ ИНТЕЛЛЕКТУАЛЬНЫХ

СИСТЕМ УПРАВЛЕНИЯ

1.1. Исследования в области искусственного интеллекта

1.2. Анализ исследований по разработке методов желаемого управления техническими объектами при проектировании интеллектуальных систем управления

1.3. Разработка методологии для получения желаемого управления техническим объектом, функционирующим в изменяющихся условиях

1.3.1. Методология исследования

1.3.2. Виды объектов управления

1.3.3. Классификация неопределенностей

1.3.4. Компенсация неопределенностей

1.3.5. Классификация регуляторов

1.4. Выводы

2. РАЗРАБОТКА МЕТОДОВ УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ С ПОМОЩЬЮ ИНТЕЛЛЕКТУАЛЬНЫХ РЕГУЛЯТОРОВ

2.1. Алгоритм самоорганизации робастных баз знаний без привлечения эксперта в системах управления с интеллектуальными регуляторами

2.1.1. Разработка гибридного подхода к разработке алгоритма самоорганизации робастных баз знаний

2.1.2. Разработка алгоритма самоорганизации робастных баз знаний

2.2. Разработка алгоритма автоматизации процесса генерации управляющих правил систем с нечеткой логикой на основе данных классических Р1-, РГО-регуляторов

2.3. Разработка метода гибридного управления в интеллектуальных системах на основе Р1- и Ш-Б^/У-регуляторов

2.4. Разработка метода гибридного управления в интеллектуальных системах на основе PID- и IPD-FUZZY-регуляторов

2.5. Выводы

3. РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ

3.1. Управление техническим объектом, функционирующим в изменяющихся условиях, с помощью PI- и IPI-FUZZY-регуляторов

3.2. Управление техническим объектом, функционирующим в изменяющихся условиях, с помощью PID- и IPD-FUZZY-регуляторов

3.3. Управление неустойчивым нелинейным техническим объектом с помощью PD- и IPD-FUZZY-регуляторов

3.4. Выводы

4. МОДЕЛИРОВАНИЕ ГИБРИДНОГО УПРАВЛЕНИЯ

4.1. Моделирование гибридного управления техническим объектом с применением PI- и IPI-FUZZY-регуляторов

4.2. Моделирование гибридного управления техническим объектом с применением PID- и IPD-FUZZY-регуляторов

4.3. Моделирование гибридного управления техническим объектом, функционирующим в изменяющихся условиях, с помощью PI- и IPI-FUZZY-регуляторов

4.4. Моделирование гибридного управления техническим объектом, функционирующим в изменяющихся условиях, с помощью PID- и IPD-FUZZY-регуляторов

4.5. Моделирование гибридного управления неустойчивым нелинейным техническим объектом

4.6. Выводы

5. МЕТОДЫ ОПТИМИЗАЦИИ ПРОЦЕДУРЫ СИНТЕЗА НЕЧЕТКИХ РЕГУЛЯТОРОВ

5.1. Автоматический синтез нечетких регуляторов

5.1.1. Разработка метода автоматического синтеза нечетких регуляторов

5.1.2. Обобщение метода автоматического синтеза нечетких регуляторов

5.2. Разработка алгоритма автоматического создания нечетких регуляторов на основе измерения параметров технических объектов

5.3. Моделирование метода автоматического синтеза нечетких регуляторов

5.4. Метод оптимизации базы правил нечеткого регулятора на основе генетического алгоритма

5.4.1. Разработка алгоритма работы программы автоматической оптимизации параметров нечетких регуляторов на основе генетического алгоритма

5.4.2. Разработка алгоритма работы программы автоматической оптимизации параметров нечетких регуляторов на основе комбинированного оператора мутации

5.4.3. Поиск оптимальных параметров систем управления с нечеткой логикой

5.4.4. Оптимизация базы правил нечеткого регулятора

5.4.5. Имитационное моделирование автоматической генерации и оптимизации параметров нечеткого регулятора на основе генетического алгоритма

5.4.6. Результаты имитационного моделирования автоматической генерации и оптимизации параметров нечеткого регулятора

5.5. Признаки устойчивости интеллектуального управления

5.6. Выводы

6. ТЕХНОЛОГИЧЕСКИЕ ПРОЦЕССЫ ДЛЯ ПРИМЕНЕНИЯ МЕТОДОВ И МОДЕЛЕЙ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

6.1. Общие сведения

6.2. Высокотехнологичное производство аппаратно-программного комплекса обработки сельхозсырья на основе СВЧ-излучения

6.2.1. Описание технологического процесса

6.2.2. Решаемая проблема управления

6.2.3. Полученные результаты

6.3. Модернизация и внедрение специального программного обеспечения, настройка линии адресной подачи бетона

6.3.1. Описание технологического процесса

6.3.2. Решаемая проблема управления

6.3.3. Полученные результаты

6.4. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Введение диссертации (часть автореферата) на тему «Методы и модели интеллектуального управления техническими объектами в условиях неопределенности»

ВВЕДЕНИЕ

Несмотря на стремительное развитие информационных технологий, в том числе на основе методов и средств искусственного интеллекта, наиболее сложными для решения остаются такие задачи, справиться с которыми может только человек. Это обусловлено уникальными свойствами человеческого интеллекта, а именно его способностями принимать правильные решения в условиях неполной или нечеткой информации. Для этого требуются функции, выраженные в способностях к обучению, запоминанию, анализу с последующим принятием правильных решений. Сокращение «времени жизни» и сложность современных производственных процессов породило для классической теории автоматического управления ряд проблем. Это связано с такими их свойствами, как: «слабая структурированность»; нестационарность структуры и параметров объекта управления; неполнота или практически невозможность получить адекватное формальное описание объекта управления в приемлемые сроки; сопоставимость времени построения математической модели объекта управления с «временем жизни» объекта управления. Возникла необходимость совмещения процессов функционирования объекта управления и построения эффективных законов управления и регулирования в реальном времени или реализация принципа дуального управления Фельдбаума на новой основе [1, 2].

Традиционный подход предполагает предварительно формально описать объект управления и сформировать критерии управления на базе математического аппарата, оперирующего количественными категориями. Если невозможно дать точное математическое описание объекта и критериев управления в количественных терминах, этот подход оказывается неприменимым.

На практике же подобными слабоструктурированными объектами достаточно успешно управляет человек-оператор, который может принимать правильные решения в обстановке неполной и нечеткой информации путем оперирования количественными и качественными неформализованными понятиями. Поэтому построение моделей приближенных рассуждений человека и

использование их в системах автоматизации представляет сегодня одно из важнейших направлений развития теории автоматического управления.

Актуальным в проблеме повышения эффективности управления сложными объектами становится создание интеллектуальных систем автоматического управления, способных в той или иной степени выполнять действия, связанные с приобретением, анализом, классификацией знаний о предметной области при управлении технологическим процессом. Кроме того, подобные системы должны оперировать знаниями, накопленными человеком-оператором или самой системой в ходе управления объектом.

Все это определят ряд прагматических проблем в современных исследованиях в области искусственного интеллекта: создание приборов и устройств, способных как человек к обучению, разного рода общению (взаимодействию), разумным рассуждениям, постановке целей и требуемому поведению. Возникает определенный ряд противоречий, к основным из которых можно отнести:

- стремительные изменения в развитии современных передовых технологий и объектов техники;

- быстрая смена номенклатуры товаров и услуг;

- сокращение «времени жизни» технологий, объектов техники и жизненного цикла их производства;

- совмещение процессов разработки технологий, процессов выпуска объектов техники и их одновременное изучение в рамках эксплуатации с целью эффективного управления;

- необходимость перехода к применению интеллектуальных информационных технологий и методов искусственного интеллекта в задачах управления.

На основе сформулированных противоречий, формируется научно-методологическое противоречие между:

- разработкой технологий, позволяющих обеспечить формальное описание объекта и устройства управления;

- формированием требуемых критериев управления объектом;

- проектированием (разработкой) системы управления;

- отсутствием научно-методического аппарата, который позволил бы обеспечить реализацию параллельного проектирования (разработку) системы управления в ходе эксплуатации технологического процесса.

Следовательно повышение эффективности управления в промышленных системах заключается в их интеллектуализации с целью воспроизведения определенных интеллектуальных действий человека, связанных с приобретением и анализом знаний, что позволит решить проблемы управления плохо формализуемыми и слабо структурированными объектами, для которых традиционные методы (классические) не применимы, а математическое описание затруднено.

Это определяет главную прагматическую проблему, заключающуюся в том, что существующие системы и средства управления отечественных промышленных систем в достаточной степени не способны обеспечить реализацию современных требований к эффективности и конкурентоспособности.

Ключевыми направлениями разрешения указанных противоречий должны являться:

- проектирование (разработка) систем управления, оперирующих знаниями;

- разработка методов построения робастных баз знаний в системах управления с применением технологий искусственного интеллекта;

- разработка методов самоорганизации робастных баз знаний.

В рамках указанных проблем активно развиваются методы, подходы и средства на основе интеллектуальных технологий. Активные исследования и разработки в этой области проводят такие крупнейшие мировые разработчики как Cognitive Pilot, IBM, Google, CloudMinds, Affectiva, Oracle, Microsoft, Yandex, Hewlett-Packard, EMC и др. Поэтому построение моделей рассуждений человека и их использование в информационных системах является сегодня одной из основных проблем науки, важность решения которой трудно переоценить.

Это подтверждает и Указ Президента РФ № 642 от 01.12.2016 г. (ред. от 15.03.2021 г.) «О Стратегии научно-технологического развития Российской Федерации», в соответствии с которым в ближайшие 10 - 15 лет приоритетами научно-технологического развития Российской Федерации следует считать те направления, которые позволят получить научные и научно-технические результаты и создать технологии, являющиеся основой инновационного развития внутреннего рынка продуктов и услуг, устойчивого положения России на внешнем рынке, и обеспечат переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам, новым материалам и способам конструирования, созданию систем обработки больших объемов данных, машинного обучения и искусственного интеллекта.

В России процедура перехода к современным технологиям на производстве осложняется недостаточной проработанностью теоретических основ и методов настройки интеллектуальных систем управления, являющихся ключевым элементом этих технологий.

Повышение качества функционирования существующих производственных систем путем их интеллектуализации требует привлечения больших объемов временных, финансовых и трудовых ресурсов, поэтому решение данной задачи становится затруднительным.

Данная проблема возникает из-за необходимости тщательного исследования производственной системы, обработки полученных данных, формирования выводов и рекомендаций для настройки параметров систем управления на основе искусственного интеллекта. Современные системы управления техническими объектами характеризуются внедрением интеллектуальных технологий в процесс управления.

Известно большое количество методов синтеза нечетких, нейросетевых и нейронечетких регуляторов. Тенденция интеллектуализации технических систем связана с более широкими возможностями таких регуляторов при отработке сигналов задания, устойчивости к возмущениям и обеспечении улучшения качества переходных процессов. Промышленные системы управления

технологическими процессами являются основой любого производства. Практически во всех существующих промышленных системах автоматизации в контурах управления отдается предпочтение применению традиционных классических регуляторов, несмотря на их ограниченные возможности или неприменимость для управления техническими объектами со слабо формализованной структурой, динамическим поведением, в случае изменения параметров объекта, функционировании в непредвиденных внешних ситуациях.

Такая ситуация сложилась из-за определенной надежности классических регуляторов при управлении стационарными объектами и недоверии к интеллектуальным системам управления ввиду их ограниченной применимости на реальных производствах, в том числе на современных и, как следствие, отсутствия опыта эксплуатации.

Совершенствование систем автоматического управления на их основе было связано с такими факторами как:

1) использование информации о внешних возмущающих воздействиях для управления вектором, задающим режим функционирования таких систем (управление уставками регуляторов);

2) использование модели внешнего мира, что привело к появлению робастных, инвариантных систем автоматического управления, систем управления объектами с нестабильными параметрами и т.п. (эффективность таких систем зависит от адекватности формальной модели среды ее реальному состоянию);

3) создание сенсорных систем, позволяющих получать требуемые данные непосредственно из внешней среды и на их основе корректировать законы управления для приспособления к изменению внешних условий и свойств объекта управления.

Основная идея, реализованная в них - создать алгоритм адаптации, способный скомпенсировать все возможные воздействия внешнего мира и изменения свойств объекта управления. Такая задача оказалась нереализуемой, поэтому спектр их приспособленности был в определенных пределах и как следствие требовал включения человека-оператора в контур самонастройки.

Особенно наглядно это проявилось в ходе построения систем управления сложными слабоструктурированными технологическими процессами. А оператор с этими задачами справляется. Это объясняется тем, что человек оперирует данными различных типов (количественными, качественными и другой мультимодальной информацией), обладает базирующимися на их основе знаниями, а также может использовать данные корректировки знаний путем рассуждений и построения выводов. Это различие и делает человека бесконечно способным к интеллектуальной адаптации - «универсальным управляющим устройством» для любого объекта.

Широкое внедрение интеллектуальных систем для управления техническими объектами на реальных производствах станет возможным только после получения теоретических и прикладных доказательств надежности таких систем, способности гарантировать получение желаемого управления с максимальным качеством, в том числе в случае изменения ситуаций управления.

Поэтому представленные в диссертационном исследовании методы и модели разработаны для решения одной из главных и актуальных проблем разработки интеллектуальных систем управления - проблемы создания системы с повышенной робастностью для надежного и точного интеллектуального управления техническим объектом в условиях неопределенности исходной информации или неполного описания процесса его функционирования.

Диссертация посвящена решению важной научной проблемы -теоретическому обобщению и развитию комплекса решений по построению методов и моделей адекватного описания процессов взаимодействия управляющих систем и реального мира с целью построения процесса управления в режиме inline, отличающегося возможностью разгрузить участвующего в этом процессе человека, взяв на себя определенные функции по управлению объектом и направлена на создание интеллектуальных систем автоматического управления, реализующих элементы мыслительной деятельности человека, связанные с представлением и использованием знаний, позволяет получить системы управления качественно

нового уровня - системы, которые, подобно человеку, существуют и работают в реальном мире, оперируя со знаниями об этом реальном мире.

Степень научной разработанности проблемы. В настоящее время промышленные предприятия не могут эффективно функционировать без использования современных научно обоснованных методов управления, средств автоматики и вычислительной техники и информационно-управляющих систем.

Значительный вклад в развитие теории управления внесли такие известные учёные как В. А. Бесекерский, И. Н. Вознесенский, И. А. Вышнеградский, А. Р. Гайдук, Г. Джеймс, Н. Е. Жуковский, А. С. Клюев, А. А. Колесников, А. А. Красовский, Д. К. Максвелл, И. В. Мирошник, В. О. Никифоров, Д. А. Новиков, Е. П. Попов, В. Г. Срагович, А. Стодола, А. А. Фельдбаум, А. Л. Фрадков, Р. Филипс, Г. В. Щипанов, и др.

Исследования в области создания систем управления с применением искусственного интеллекта занимают ведущее место в развитии информационных технологий. Интерес мирового научного сообщества к технологиям управления на основе систем искусственного интеллекта возрастает, так как термины классических дифференциальных систем не всегда позволяют описать многие технологические объекты и процессы при их функционировании в определенных ситуациях.

Системы, в которых стохастичность можно не учитывать, характеризуются элементами с непрерывным процессом поведения, имеющим конечную длительность, и дискретным процессом поведения, имеющим малое время реакции на события, что не критично для анализа системы, с одной стороны. С другой стороны, игнорирование дискретных составляющих снижает возможность получения адекватных моделей объектов. Решение новых задач эффективного управления, анализа, обработки и агрегирования информационных ресурсов в современном производстве, извлечение зависимостей и автоматизированного учета опыта и последствий ранее принятых решений невозможно без применения соответствующих им интеллектуальных информационных технологий.

Значительный вклад в развитие искусственного интеллекта как в России, так и за рубежом внесли такие известные исследователи, как А. Н. Аверкин, А. В. Алексеев, Р. А. Алиев, И. З. Батыршин, Л. С. Берштейн, А. Ф. Блишун,

A. Н. Борисов, В.В. Борисов, В. Н. Вагин, Ф. Д. Вассерман, Н. Винер, Г. П. Виноградов, Г. С. Воронков, А. В. Гаврилов, Т. А. Гаврилова, В. П. Гладун, Р. Ю. Голубов, М. И. Дли, А. Ю. Дорогов, Д. Дюбуа, А. П. Еремеев, А. А. Жданов,

B. Е. Жуковин, Л. Заде, А. В. Колесников, А. Е. Колоденкова, С. К. Коровин, Т. Кохонен, А. Г. Кравец, В. В. Круглов, О. П. Кузнецов, В. В. Курейчик, В. М. Курейчик, А. Ю. Левиатов, Л. С. Ломакина Ю. А. Любарский, И. М. Макаров, Э. Мамдани, Л. Медскер, А. Н. Мелихов, М. Ли Мински, А. С. Нариньяни, Г. С. Осипов, Б. Н. Петров, Н. В. Позин, Э. В. Попов, Д. А. Поспелов, А. Прад, В. Ш. Рубашкин, М. Рубенс, Г. В. Рыбина, М. Сугено, Т. Такаги, С. В. Ульянов, Д. А. Уотерман, В. С. Файн, В. И. Финаев, В. К. Финн, К. Хирота, В. Ф. Хорошевский, Я. З. Цыпкин, К. Э. Шеннон, Р. Ягер, А. Е. Янковская и др.

На основе полученных результатов создаются и реализуются эффективные модели и технологии сбора, обобщения и интеграции данных из разнородных источников. Для обобщения и интеграции данных с целью последующего извлечения из них знаний, как правило, используются различные онтологические модели представления и обобщения данных.

Вместе с тем, для целого ряда предметных областей, к которым относится интеллектуальное управление в производственных процессах, создание таких моделей сопряжено с рядом трудностей, обусловленных: отсутствием типовых подходов к интеграции структурированных, слабоструктурированных и неструктурированных данных на различных этапах их жизненного цикла; различной структурой и семантикой этих данных, поступающих из разнородных источников; спецификой требований к качеству и оперативности принимаемых решений. Необходимо отметить, что в производственных отраслях, где требуется работа как с четкими, так и с нечеткими знаниями, эффективным является применение гибридных систем на основе искусственного интеллекта.

Проблемами гибридизации в России, как междисциплинарной области знаний, исследовали научные школы Н. П. Бусленко, А. Н. Мелихова, Д. А. Поспелова - В. Б. Тарасова, В. Н. Вагина - А. П. Еремеева, Г. В. Рыбиной, Н. Г. Ярушкиной, В. Ф. Пономарева - А. В. Колесникова.

Разработке таких систем посвящены работы А. В. Гаврилова, А. В. Колесникова [2 - 8] предложивших соединить и комбинировать знания, которые могут быть формализованы, и знания, для которых формализация невозможна, для одновременного учета недостатков и достоинств разных (традиционных и/или с применением искусственного интеллекта) методов управления с целью получения требуемого решения задачи при отсутствии априорной информации.

Применение гибридных систем на основе искусственного интеллекта описывают Л. Медскер [9 - 11], Г. С. Осипов [12 - 17].

Учеными В. Н. Вагиным и А. П. Еремеевым [18 - 24] была предложена интеллектуальная система поддержки принятия решений реального времени, рассматриваемая в виде семиотической системы распределенного интеллекта.

Искусственную гибридизацию в детерминированных динамических системах исследовал Х. С. Витсенхаузен [25].

Проблемы гибридизации обобщены в работах S. Goonatilake и S. ^еЬЬа1 [26 - 27], И. А. Кирикова [28, 7, 8], Г. В. Рыбиной [29], В. Б. Тарасова [30], Н. Г. Ярушкиной [31, 32], И. З. Батыршина [32, 60], А. Н. Борисова [33].

Школа Н. П. Бусленко [34, 35] внесла стохастичность и статистические знания в континуально-дискретное поведение объектов, предложив унифицированные математические модели - гибриды, названные агрегатом и агрегативной системой.

Основные труды Б. Н. Петрова [36 - 39] были посвящены теории автоматического регулирования, теории инвариантности систем автоматического управления, самонастраивающимся системам, информационным проблемам теории управления, системам автоматического управления движущимися объектами.

Труды Р. А. Алиева [40 - 47] были направлены на формирование инвариантных условий многомерных и комбинированных, детерминистических, стохастических, нечётких систем управления; принятие решения в интеллектуальных промышленных системах и формирование интеграционных принципов управленческих процессов; формирование концепций нечётко распределенных интеллектуальных систем, использование их методов создания; использование метода изучения нечётких нейронных сетей, основанных на генетических алгоритмах; использование новой концепции нечёткого регрессивного анализа на основе генетических алгоритмов; создание теории обобщенной стойкости. Предложил критерии и правила динамичных систем стойкости Заде-Алиева.

Труды С. В. Ульянова [36, 37, 47 - 53] посвящены интеллектуальным системам управления сложными объектами с переменной (случайной) структурой; квантовым вычислениям и алгоритмам самоорганизации робастных баз знаний в непредвиденных ситуациях управления.

А. Н. Мелихов один из первых в стране начал заниматься проблемами искусственного интеллекта. Созданная им научная школа занималась исследованиями в области теории графов, автоматов, нечетких систем, получившими всемирную известность [54 - 55].

Д. А. Поспеловым [56 - 59, 62] была предложена концепция и модель «ситуационного управления», которое необходимо для класса больших (или сложных) систем, где формализация процесса управления в виде математических уравнений нецелесообразна или невозможна.

А. Н. Аверкиным [60 - 69] разработаны основные принципы нового интегрированного направления мягких измерений, создание адаптивных, робастных нейро-генетико-нечетких моделей управления и методологии их применения в прикладных системах распределенного искусственного интеллекта.

Среди ведущих научных школ по разработке перспективных технологий искусственного интеллекта (нейронных и нечетких систем) стоит отметить University of Toronto, Austrian Research Institute for Artificial Intelligence, Iowa State

University, Institute in Sheffield, МГТУ им. Н.Э. Баумана, ВЦ СО РАН (Красноярск), НИИ нейрокибернетики им. А. Б. Когана Южного федерального университета, Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В. И. Ульянова (Ленина), Stanford University, Carnegi-Mellon University, Институт программных систем им. А. К. Айламазяна Российской академии наук.

Проведенные учеными исследования и разработки в области управления техническими объектами и системами направлены на решение задач управления в основном с помощью систем, представляющих собой комбинацию разных подходов, например с применением классической теории управления и нечеткой логики, нейросетей, эволюционных алгоритмов.

Методы классической теории управления хорошо применимы при известном характере зависимости входных и выходных переменных процесса управления, однако при решении практических задач, в которых присутствует неопределенность в характере зависимостей переменных, их эффективность значительно ниже. В рамках методов классической теории управления формализация неопределенностей моделей объектов и внешних условий возможна только при известном диапазоне изменения параметров и / или известном порядке моделей.

Для одновременного учета большого количества разной информации, ситуаций, характеристик управляющих воздействий и изменяющихся внешних условий при разработке систем управления может быть применена теория нечетких множеств и нечеткая логика. Основной сложностью при разработке нечетких систем управления является необходимость привлечения экспертов в соответствующих предметных областях, однако при функционировании объектов в условиях неопределенности знаний эксперта может быть недостаточно, чтобы охватить все возможные состояния объекта.

Нейронные и нейронечеткие сети могут успешно применяться для управления трудноформализуемыми объектами в условиях неопределенности, однако требование предварительного обучения перед началом использования и

отсутствие логической прозрачности архитектуры регуляторов затрудняет их применение при управлении промышленными объектами.

Таким образом, проводимые в этой области исследования не являются в достаточной степени системными и, как правило, ограничиваются лишь фрагментарным обоснованием возможности реализации интеллектуальных функций в процессе управления техническим объектом, обусловленных спецификой решаемых задач в конкретной предметной области.

Для решения задач, связанных с управлением техническими объектами и процессами с априорной неопределенностью, наиболее целесообразно применение подхода, основанного на последовательном использовании классической теории управления, теории нечетких множеств, нейросетевых технологий и генетических алгоритмов. Это позволит учесть недостатки и достоинства разных технологий и найти требуемое решение задачи управления при отсутствии априорной информации. Факторами, негативно влияющими на эффективность управления, являются: изменение параметров объекта управления; изменение ситуаций управления, например повышение требований к качеству регулирования в процессе функционирования системы управления.

Решение данной проблемы может быть найдено путем использования классических регуляторов для создания баз правил и настройки параметров нечетких регуляторов с последующим их обучением и оптимизацией, что позволит автоматически генерировать правила нечеткого вывода и исключить ошибки, определяемые человеческим фактором. Это является трудной задачей в процессе проектирования (синтеза) интеллектуальных систем управления.

Решение проблемы создания робастной базы знаний в интеллектуальной системе управления является одной из ключевых, так как только наличие полной базы знаний, исключающей избыточность и противоречивость данных, позволит достичь эффективности и надежности желаемого управления, в том числе в нештатных ситуациях.

Диссертационное исследование посвящено разработке методов и моделей управления технологическими объектами, в том числе в изменяющихся условиях с

помощью интеллектуальных регуляторов на основе самоорганизации баз знаний. Основу исследований составляют классическая теория управления, нечеткая логика, нейросетевые технологии, генетические алгоритмы.

Объектом исследования является процесс синтеза робастных интеллектуальных регуляторов для получения желаемого управления техническим объектом в условиях неопределенности.

Предметом исследования являются методы, модели, алгоритмы управления на основе PI-классического и IPI-FUZZY-регулятора

(intelligent PI-FUZZY-controller), PID-классического и IPD-FUZZY-регулятора (intelligent PD-FUZZY-controller) / PD- и IPD-FUZZY-регуляторов.

Целью диссертационного исследования является повышение качества и оперативности управления техническими объектами в условиях неопределенности за счет разработки интеллектуальных регуляторов с самоорганизующимися базами знаний. Достижение поставленной цели и решение научной проблемы исследования потребовало разрешения ряда следующих частных научных задач:

1) разработка концепции управления техническими объектами в условиях неопределенности;

2) разработка метода и модели управления техническими объектами на основе PI-классического и IPI-FUZZY-регулятора;

3) разработка метода и модели управления техническими объектами на основе PID-классического и IPD-FUZZY-регулятора / PD- и IPD-FUZZY-регуляторов;

4) разработка алгоритма самоорганизации робастных баз знаний без привлечения эксперта;

Список литературы диссертационного исследования доктор наук Игнатьев Владимир Владимирович, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Виноградов, Г. П. Механизмы управления эволюцией организационно -технологической системы [Текст] / Г. П. Виноградов, Б. В. Палюх. Программные продукты и системы. - Тверь, 2012. - № 2. - С. 3 - 8. -URL: https://elibrary.ru/item.asp?id=17818860.

2. Виноградов, Г. П. Интеграция нейросетевых алгоритмов, моделей нелинейной динамики и методов нечеткой логики в задачах прогнозирования [Текст] / П. А. Борисов, Г. П. Виноградов, Н. А. Семенов. Известия РАН. Теория и системы управления. 2008. №1. C. 78 - 84. -URL: https://elibrary.ru/item.asp?id=9603710.

3. Гаврилов, А. В. Гибридные интеллектуальные системы [Текст] / А. В. Гаврилов. - Новосибирск: Изд-во НГТУ, 2002. - 142 с.

4. Гаврилов, А. В. Лабораторный практикум по нейронным сетям [Текст] / А. В. Гаврилов. Ч. 1. - Новосибирск: Изд-во НГТУ, 1999.

5. Колесников, А. В. Гибридные интеллектуальные системы: теория и технология разработки [Текст] / А. В. Колесников. - Санкт-Петербург: Изд-во СПбГТУ, 2001. - 600 с.

6. Колесников, А. В. Гибридные адаптивные интеллектуальные системы [Текст] / П. М. Клачек, С. И. Корягин, А. В. Колесников, Е. С. Минкова. Ч. 1: Теория и технология разработки: монография. - Калининград: Изд-во БФУ им. И. Канта, 2011. - 374 с.

7. Колесников, А. В. Решение сложных задач коммивояжера методами функциональных гибридных интеллектуальных систем [Текст] / А. В. Колесников, И. А. Кириков, С. В. Листопад, С. Б. Румовская, А. А. Доманицкий / Под ред. А. В. Колесникова. - М.: ИПИ РАН, 2011. - 295.

8. Колесников, А.В. Методология и технология решения сложных задач методами гибридных интеллектуальных систем [Текст] / А. В. Колесников, И. А. Кириков. - М.: Изд-во Института проблем информатики РАН, 2007. - 387с.

9. Medsker, L. R. Hybrid Neural Network and Expert Systems. Boston / Dordrecht / London: Kluwer Academic Publishers, 1994.

10. Medsker, L. R. Hybrid Intelligent Systems. International Journal of Computational Intelligence and Organizations, 1996. Vol. 1. pp. 10 - 20.

11. Medsker, L. R. Hybrid Intelligent Systems; Kluwer Academic Publ, 1995.

12. Осипов, Г. С. Динамика в системах, основанных на знаниях [Текст] / Г. С. Осипов // Известия РАН. Теория и системы управления. - 1998. -№ 5. - С. 24 - 28.

13. Осипов, Г. С. Методы искусственного интеллекта [Текст] / Г. С. Осипов.

- Москва: Физматлит, 2011. - 296с.

14. Осипов, Г. С. Приобретение знаний интеллектуальными системами: Основы теории и технологии [Текст] / Г. С. Осипов. - М.: Наука. Физматлит, 1997.

- 112 с. - (Проблемы искусственного интеллекта).

15. Осипов, Г. С. Интеллектуальная технология для экспертных систем [Текст]: учебное пособие / Г. С. Осипов. - РГАТА, г. Рыбинск, 1997. 82 с.

16. Осипов, Г. С. Технология создания распределенных интеллектуальных систем [Текст]: учебное пособие / Г. С. Осипов, А. Б. Беляев, М. Н. Годовников, С. А. Голубев, Е. П. Куршев, Л. И. Сазонова. - Университет г. Переславля, г. Переславль-Залесский, 1997. 138 с.

17. Осипов, Г. С. Лекции по искусственному интеллекту [Текст] / Г. С. Осипов. М.: Физматлит; 2009; 2011; УРСС 2014; 2018. 296 стр.

18. Вагин, В. Н. Реализация концепции распределенного ИИ и многоагентности в системах поддержки принятия решений на базе комплекса G2+GDA [Текст] / В. Н. Вагин, А. П. Еремеев // Труды Международного семинара «Распределённый искусственный интеллект и многоагентные системы - DIAMAS 97». - Санкт-Петербург, 1997.

19. Вагин, В. Н. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени [Текст] / В. Н. Вагин, А. П. Еремеев // Изв. РАН. ТиСУ, 2001, № 6, с. 114 - 123.

20. Вагин, В. Н. Конструирование интеллектуальных систем поддержки принятия решений реального времени [Текст] / В. Н. Вагин, А. П. Еремеев // Труды Международной конференции Интеллектуальное управление: новые интеллектуальные технологии в задачах управления (ICIT'99) Переславль-Залесский, 6 - 9 декабря 1999 г., 1999.

21. Eremeev A. P., Vagin V. N. A Real-time Decision Support System Prototype for Management of a Power Block // International Journal "Information Theories & Applications", 2003, Vol. 10, Number 3, pp. 248 - 255.

22. Еремеев, А. П. Средства параллельной обработки информации в системах поддержки принятия решений реального времени [Текст] / А. П. Еремеев, Д. А. Тихонов // Программные продукты и системы, 1999, № 2, с. 39 - 44.

23. Еремеев, А. П. Экспертная диагностическая система как компонент интеллектуальной системы поддержки принятия решений реального времени [Текст] / А. А. Башлыков, А. П. Еремеев // Новости искусственного интеллекта, № 3, 2002, с. 35 - 40.

23. Еремеев, А. П. Обработка недоопределенной информации в системе поддержки принятия решений реального времени применительно к оперативной службе электростанций [Текст] / А. П. Еремеев, Л. С. Денисенко // Изв. РАН. Энергетика. 2002. № 2, с. 32 - 43.

25. Witsenhausen, H. S. A Class of Hybrid-State Continuous Time Dynamic Systems. IEEE Trans. on Automatic Control. - 1966. - V 11. - № 2.

26. Goonatilake, S., Khebbal, S. Intelligent Hybrid Systems. Chichester, New York, Wiley, 1995. ISBN 10:0471942421, ISBN 13:9780471942429.

27. Goonatilake, S., Khebbal, S. Intelligent hybrid systems // The First Singapore Int. Conference on Intelligent Systems: proceedings. - 1992. - P. 356 - 364.

28. Кириков, И. А. Исследование сложной задачи диагностики артериальной гипертензии в методологии искусственных гетерогенных систем [Текст] / И. А. Кириков, А. В. Колесников, С. Б. Румовская // Системы и средства информатики. - 2013. - Т. 23, № 2. - С. 96 - 114.

29. Рыбина, Г. В. Автоматизированное построение баз знаний для интегрированных экспертных систем [Текст] / Г. В. Рыбина // Изв. РАН. Теория и системы управления. - 1998. - № 5. - С. 152 - 166.

30. Тарасов, В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика [Текст] / В. Б. Тарасов. - М., 2002.

31. Ярушкина, Н. Г. Основы теории нечетких и гибридных систем [Текст] / Н. Г. Ярушкина. - М., 2004.

32. Батыршин, И. З. Нечеткие гибридные системы. Теория и практика [Текст] / И. З. Батыршин, А. О. Недосекин, А. А. Стецко, В. Б. Тарасов, А. В. Язенин, Н. Г. Ярушкина. Под ред. Н. Г. Ярушкиной. - Москва: ФИЗМАТЛИТ, 2007. - 208 с. - ISBN 978-5-9221-0786-0.

33. Борисов, А. Н. Диалоговые системы поддержки принятия решений на базе мини-ЭВМ: информационное, математическое и программное обеспечение [Текст] / А. Н. Борисов [и др.] - Рига, 1986.

34. Бусленко, Н. П. Моделирование сложных систем [Текст] / Н. П. Бусленко. - 2-е изд., перераб. - Москва: Главная редакция физико-математической литературы изд-ва «Наука», 1978. - С. 399.

35. Бусленко, Н. П. Лекции по теории сложных систем [Текст] / Н. П. Бусленко и др. - Москва: Советское радио, 1973. - 438 с.

36. B. N. Petrov, G. M. Ulanov, S. V. Ulyanov and E. M. Khazen. Information-semantic problems for control and organization, M.: Science Publ., 1977.

37. B. N. Petrov, 1.1. Goldenblat, G. M. Ulanov and S. V. Ulyanov. Model theory of control processes, M.: Science Publ., 1978.

38. B. N. Petrov, 1.1. Goldenblat, G. M. Ulanov and S. V. Ulyanov. Problems for control of quantum and relativistic dynamic systems, M.: Science Publ., 1982.

39. Петров, Б. Н. Теория моделей в процессах управления [Текст] / Б. Н. Петров, Г. М. Уланов, И. И. Гольденблат, С. В. Ульянов. - М.: Наука, 1978.

40. R. A. Aliev andS. V. Ulyanov. Fuzzy controllers and intelligent control systems. M.: VINITI, Vol. 29, 1990; Vol. 32, 1991.

41. R. A. Aliev, B. G. Guirimov, B. Fazlollahi, R. R. Aliev. Evolutionary Algorithm-Based Learning of Fuzzy Neural Networks Part 2: Recurrent Fuzzy Neural Networks. Fuzzy Sets and Systems, Volume 160, Issue 17, 2009, pp. 2553 - 2566, Elsevier.

42. R. A. Aliev, A. Tserkovny. Systemic approach to fuzzy logic formalization for approximate reasoning. Information Sciences 181(6), 2011, Elsevier, pp. 1045 - 1059.

43. Aliev, R. A., Pedrycz, W., Alizadeh, A. V., Huseynov, O. H. Fuzzy optimality based decision making under imperfect information without utility. Fuzzy Optimization and Decision Making, Volume 12, Issue 4, pp 357 - 372.

44. Aliev, R. A., Pedrycz, W., Huseynov, O. H. Behavioral Decision Making with Combined States under Imperfect Information. International Journal of Information Technology & Decision Making, Volume 12, Issue 03, 2013.

45. Алиев, Р. А. Производственные системы с искусственным интеллектом [Текст] / Р. А. Алиев, Н. М. Абдикеев, М. М. Шахназаров. - М: Радио и связь. 1990. - 264 с.

46. Алиев, Р. А. Управление производством при нечеткой исходной информации [Текст] / Р. А. Алиев, А. Э. Церковный, Г. А. Мамедова. - М.: Энергоатомиздат, 1991. - 239 с.

47. Алиев, Р. А. Нечеткие регуляторы и интеллектуальные промышленные системы управления [Текст] / Р. А. Алиев, Э. Г. Захарова, С. В. Ульянов // Итоги науки и техники. Сер. Техническая кибернетика. Т.32. - М.: ВИНИТИ АН СССР, 1991. - С. 233 - 313.

48. Ульянов, С. В. Интеллектуальные системы управления. I. Квантовые вычисления и алгоритм самоорганизации [Текст] / Л. В. Литвинцева, С. В. Ульянов. Известия РАН. Теория и системы управления, 2009, № 6. С. 102 - 141.

49. Ульянов, С. В. Интеллектуальные системы управления. II. Проектирование самоорганизующихся робастных баз знаний в непредвиденных ситуациях управления [Текст] / С. Г. Караткевич, Л. В. Литвинцева, С. В. Ульянов. Известия РАН. Теория и системы управления, 2011, № 2. С. 74 - 115.

50. Ульянов, С. В. Квантовый нечеткий вывод для создания баз знаний в робастных интеллектуальных регуляторах [Текст] / Л. В. Литвинцева, И. С. Ульянов, С. В. Ульянов, С. С. Ульянов. Известия РАН. Теория и системы управления, 2007, № 6. С. 71 - 126.

51. Ульянов, С. В. Робастность баз знаний самоорганизующихся интеллектуальных регуляторов в непредвиденных ситуациях управления [Текст] / С. В. Ульянов, Л. В. Литвинцева, С. В. Сорокин. Журнал «Нечёткие Системы и Мягкие Вычисления», 2008, том 3, № 4, сс. 49 - 73.

52. Ульянов, С. В. Технологии интеллектуальных вычислений: Фундаментальные принципы и особенности применения в задачах системного анализа и робастного управления [Текст] / С.В. Ульянов, Е.Н. Черемисина. Журнал «Нечёткие Системы и Мягкие Вычисления», 2008, том 3, № 2, сс. 7 - 13.

53. Ульянов, С. В. Технология интеллектуальных мягких вычислений в проектировании робастных нечётких систем управления: оптимизатор баз знаний [Текст] / С. В. Сорокин, Л. В. Литвинцева, С. В. Ульянов. Журнал «Нечёткие Системы и Мягкие Вычисления», 2008, том 3, № 1, сс. 31 - 56.

54. Мелихов, А. Н. Ситуационные советующие системы с нечеткой логикой [Текст] / А. Н. Мелихов, Л. С. Бернштейн, С. Я. Коровин. - М.: Наука, 1990.

55. Мелихов, А. Н. Конечные четкие и расплывчатые множества [Текст] / А. Н. Мелихов, Л. С. Берштейн. - Таганрог: ТРТИ, 1980 - 1981. - Ч. 1. -101 с. - Ч.2. - 91 с.

56. Поспелов, Д. А. Представление знаний о времени и пространстве в интеллектуальных системах [Текст] / Е. Ю. Кандрашина, Л. В Литвинцева., Д. А. Поспелов. Под ред. Д. А. Поспелова. - М.: Наука. Гл. ред. физ.-мат. лит. - 328 с. - (Пробл. искусств. интеллекта). - ISBN 5-02-014096-1.

57. Искусственный интеллект. Справочник в трёх томах. М.: Радио и связь, 1990. / под ред. В. Н. Захарова, Э. В. Попова, Д. А. Поспелова, В. Ф. Хорошевского.

58. Поспелов, Д. А. Из истории искусственного интеллекта: история искусственного интеллекта до середины 80-х годов [Текст] / Д. А. Поспелов // Новости искусственного интеллекта №4, 1994, с.70-90.

59. Поспелов, Д. А. Ситуационное управление: теория и практика [Текст] / Д. А. Поспелов, М.: Наука. - Гл. ред. физ.-мат. лит., 1986 - 288с.

60. Аверкин, А. Н. Мягкие вычисления [Текст] / А. Н. Аверкин, И. З. Батыршин // Новости искусственного интеллекта. 996. № 3. - С. 161-164.

61. Аверкин, А. Н. Нечеткое отношение моделирования и его использование для классификации и аппроксимации в нечетких лингвистических пространствах [Текст] / А. Н. Аверкин // Изв. АН СССР: Техническая кибернетика. 1982. № 2. -С. 215.

62. Аверкин, А. Н. Толковый словарь по искусственному интеллекту [Текст] / А. Н. Аверкин, М. Г. Гаазе-Рапопорт, Д. А. Поспелов. - М.: Радио и связь, 1992. - 256 с.

63. Аверкин, А. Н. Аппроксимация нечетких отношений I - го и 2 - го типов нечеткими отношениями эквивалентности [Текст] / А. Н. Аверкин, С. П. Макееев // Управление при наличии расплывчатых категорий: Тез. III научно-технического семинара. - Пермь, 1980. - С. 20 - 22.

64. Аверкин, А. Н. Использование нечеткого отношения моделирования для экспертных систем [Текст] / А. Н. Аверкин, Х. Нгуен. - М.: ВЦ АН СССР, 1988. -24 с.

65. Аверкин, А. Н. Система поддержки принятия решений в условиях неопределенности: интеграция моделей нечеткого иерархического оценивания и многокритериального ранжирования нечетких объектов [Текст] / А. Н. Аверкин, Т. В. Аграфонова, Н. В. Титова // Известия РАН. Теория и Системы управления. 2009. № 6. С. 12 - 27.

66. Averkin A. N., Agrafonova T. V., Titova N. V. System of Decision Making Support Based on Fuzzy Models // Journal of Computer and Systems Sciences International. 2009. Vol. 48, № 1.

67. Аверкин, А. Н. Гибридные системы принятия решений в сложноструктурируемых областях [Текст] / А. Н. Аверкин, Т. В. Аграфонова, Н. В. Титова. М., 2009. 92 с.

68. Аверкин, А. Н. Метод интеграции нечетких моделей для организации поддержки принятия решений в слабо структурируемой предметной области [Текст] / А. Н. Аверкин, Т. В. Аграфонова, Н. В. Титова / Труды XII Международной конференции по мягким вычислениям и измерениям SCM-2009. СПб., 2009.

69. Аверкин, А. Н. Нечеткие множества в моделях управления и искусственного интеллекта [Текст] / А. Н. Аверкин, А. Ф. Блишун, И. З. Батыршин, В. Б. Силов, В. Б. Тарасов. Под ред. Д. А. Поспелова. - М.: Наука, 1986. - 312 с.

70. Леоненков, А. В. Нечёткое моделирование в среде MATLAB и fuzzyTECH [Текст] / А. В. Леоненков. - Санкт-Петербург: БХВ - Петербург, 2005. - 736 с.

71. Pacheco R, A. Martins, R.M. Barcia, S. Khator. A hybrid intelligent system applied to financial statement analysis. Proceedings of IEEE 5th International Fuzzy Systems. New Orleans. 1996. Volume: 2, pp. 1007 - 1012. DOI: 10.1109/FUZZY.1996.552316.

72. Christoph S. Herrmann. A hybrid fuzzy-neural expert system for diagnosis. IJCAI'95: Proceedings of the 14th international joint conference on Artificial intelligence, Volume 1, August 1995. - P. 494 - 500.

73. J. N. Froning, M. D. Olson, V. F. Froelicher. Exercise ECG analysis and measurement using an expert system approach. Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 1988. DOI: 10.1109/IEMBS.1988.94458.

74. Yan, H. H., J. CShow, R. Fischl, R. X. Chen. Power system security assessment using a hybrid expert system/neural network architecture. [Proceedings] 1992 IEEE International Symposium on Circuits and Systems. San Diego. 1992. DOI: 10.1109/ISCAS.1992.230345.

75. S. Sivathasan, F. Cecelja, W. Balachandran. ECG Diagnosis using neural network and fuzzy expert system. IMTC 2000. Proceedings of the 17th IEEE, Volume: 2. DOI: 10.1109/IMTC.2000.848889.

76. A. A. Fergany, M. T. Yousef, A. A. El-Alaily. Fault diagnosis in power systems - substation level - through hybrid artificial neural networks and expert system. 2001 IEEE/PES Transmission and Distribution Conference and Exposition. DOI: 10.1109/TDC.2001.971235.

77. Jeremy Kerr-Wilson, Witold Pedrycz. Generating a hierarchical fuzzy rule-based model. Fuzzy Sets and Systems Volume 381, 15 February 2020. - P. 124 - 139. https://doi.org/10.1016Zj.fss. 2019.07.013.

78. Giovanna Castellano, Anna Maria Fanelli. A staged approach for generation and compression of fuzzy classification rules. Fuzzy Systems, 2000. FUZZ IEEE 2000. The Ninth IEEE International Conference on, Vol. 1.

79. Hartmut Surmann, Alexander Selenschtschikow. Automatic generation of fuzzy logic rule bases: Examples I. Proc. of the NF2002: first international ICSC conference on neuro-fuzzy technologies, pp. 75, Cuba 16-19 Jan. 2002, 75.

80. Mohammed Al-Shamma, Maysam F. Abbod. Automatic Generation of Fuzzy Classification Rules Using Granulation-Based Adaptive Clustering. IEEE Systems Conference (SysCon 2015), D0I:10.1109/SYSC0N. 2015.7116825.

81. Mohammed Al-Shamma, Maysam F. Abbod. Automatic Generation of Fuzzy Classification Rules from Data. Recent Advances in Neural Networks and Fuzzy Systems, ISBN: 978-1-61804-227-9.

82. Wen-June Wang, Tzu-Gaun Yen, Chung-Hsun Sun. GA-Based Fuzzy Rules Generation. ECE 6505.

83. Kropotov, Dmitry, Vetrov, Dmitry. An Algorithm for Rule Generation in Fuzzy Expert Systems. Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on, Vol.: 1, DOI: 10.1109/ICPR.2004.1334061.

84. Ferreiro, Garcia, Pardo, Martinez, Vidal, Paz. Rule base reduction on a self-learning fuzzy controller. EUSFLAT-ESTYLF Joint Conf. 1999.

85. N. Xiong, L. Litz. Reduction of fuzzy control rules by means of premise learning

- method and case study. Fuzzy Sets and Systems 132 (2002). - P. 217 - 231.

86. Alexander Gegov, David Sanders, Boriana Vatchova. Aggregation of Inconsistent Rules for Fuzzy Rule Base Simplification. International Journal of Knowledge-based and Intelligent Engineering Systems, Vol. 21, № 3, 2017. -P. 135 - 145.

87. Md. Amjad Hossain, Pintu Chandra Shill, Bishnu Sarker, Kazuyuki Murase. Optimal fuzzy model construction with statistical information using genetic algorithm. International Journal of Computer Science & Information Technology (IJCSIT), - Vol. 3.

- № 6. - Dec 2011.

88. M. Kemal Ciliz. Rule base reduction for knowledge-based fuzzy controllers with application to a vacuum cleaner. Expert Systems with Applications 28 (2005). -P. 175 - 184. https://doi.org/10.10167j.eswa. 2004.10.009.

89. Dhanesh, Kumar Sambariya. Power System Stabilizer Design Using Compressed Rule Base of Fuzzy Logic Controller. Journal of Electrical and Electronic Engineering 2015; 3(3): 52 - 64.

90. Liviu-Cristian Dutu, Gilles Mauris, Philippe Bolon. A Fast and Accurate Rule-Base Generation Method for Mamdani Fuzzy Systems. IEEE Transactions On Fuzzy Systems, Vol. 26, no. 2, April 2018. DOI: 10.1109/TFUZZ.2017.2688349.

91. S. Dettori, V. Iannino, V. Colla, A. Signorini. A fuzzy logic-based tuning approach of PID control for steam turbines for solar applications. The 8th International Conference on Applied Energy - ICAE2016, Energy Procedia 105 (2017). -P. 480 - 485. https://doi.org/10.1016/j.egypro. 2017.03.344.

92. Wei, Jiang, Xuchu, Jiang. Design of an Intelligent Temperature Control System Based on the Fuzzy Self-tuning PID. International Symposium on Safety Science and Engineering in China, 2012 (ISSSE-2012), Procedia Engineering 43 (2012). -P. 307 - 311. doi: 10.1016/j.proeng.2012.08.053.

93. Flavio Manenti, Francesco Rossi, Alexey G. Goryunov, Valeriy F. Dyadik, Kirill A. Kozin, Igor S. Nadezhdin, Sergei S. Mikhalevich. Fuzzy adaptive control system

of a non-stationary plant with closed-loop passive identifier. Resource-Efficient Technologies 1 (2015). - P. 10 - 18. https://doi.org/10.1016/j.reffit. 2015.07.001.

94. Y. I. Kudinov, V. A. Kolesnikov, F. F. Pashchenko, A. F. Pashchenko, L. Papic. Optimization of fuzzy PID controller's parameters. Xllth International Symposium «Intelligent Systems», INTELS'16, 5-7 October 2016, Moscow, Russia. Procedia Computer Science 103 (2017). - P. 618 - 622. https://doi.org/10.1016Zj.procs. 2017.01.086.

95. Ashwani Kharola, Pravin Patil, Suyashi Raiwani, Deepak Rajput. A comparison study for control and stabilisation of inverted pendulum on inclined surface (IPIS) using PID and fuzzy controllers. Perspectives in Science (2016) 8. - P. 187 - 190. https://doi.org/10.1016/j.pisc. 2016.03.016.

96. Pintu Chandra Shill, M.A.H. Akhand, MD. Asaduzzaman and Kazuyuki Murase. Optimization of Fuzzy Logic Controllers with Rule Base Size Reduction using Genetic Algorithms. International Journal of Information Technology & Decision Making Vol. 14, No. 05. - P. 1063 - 1092 (2015). https://doi.org/10.1142/S0219622015500273.

97. Thanana Nuchkrua, Thananchai Leephakpreeda. Fuzzy Self-Tuning PID Control of Hydrogen-Driven Pneumatic Artificial Muscle Actuator. Journal of Bionic Engineering, Vol. 10 (2013). - P. 329 - 340. https://doi.org/10.1016/S1672-6529(13)60228-0.

98. SHIDequan, GAO Guili, GAO Zhiwei, XIAO Peng. Application of expert fuzzy PID method for temperature control of heating furnace. Procedia Engineering. - Vol. 29 (2012). - P. 257 - 261.

99. Zhiqiang Yang, Jimin Zhang, Zhongchao Chen, Baoan Zhang. Semi-active control of high-speed trains based on fuzzy PID control. Procedia Engineering. - Vol. 15 (2011). - P. 521 - 525. https://doi.org/10.1016/j.proeng. 2011.08.099.

100. G.K.I. Mann, R. G. Gosine. Three-dimensional min-max-gravity based fuzzy PID inference analysis and tuning. Fuzzy Sets and Systems, Vol. 156 (2005). -P. 300 - 323. https://doi.org/10.1016/j.fss. 2005.05.008.

101. Wu, Y., Jiang, H., Zou, M. The Research on Fuzzy PID Control of the Permanent Magnet Linear Synchronous Motor. Physics Procedia 24, 2012. - P. 1311 - 1318. https://doi.org/10.1016/j.phpro. 2012.02.196.

102. Abbasi, E., Mahjoob, M. J., Yazdanpanah, R. Controlling of Quadrotor UAV Using a Fuzzy System for Tuning the PID Gains in Hovering Mode. Fourth International Conference on Advances in Computer Engineering - ACE 2013. - Frankfurt, Germany, 2013. Int. j. adv. robot. syst. 2013, Vol. 10, 380:2013.

103. Kai Ou, Ya-Xiong Wang, Zhen-Zhe Li, Yun-De Shen, Dong-Ji Xuan. Feedforward fuzzy-PID control for air flow regulation of PEM fuel cell system. International journal of hydrogen energy. Volume 40, Issue 35, 21 September 2015. -P. 11686 - 11695. https://doi.org/10.1016/j.ijhydene. 2015.04.080.

104. Ahmet Karli, Vasfi Emre Omurlu, Utku Buyuksahin, Remzi Artar, Ender Ortak. Self tuning fuzzy PD application on TI TMS320F 28335 for an experimental stationary quadrotor. - URL: http://ieeexplore.ieee.org/document/6151404/ (дата обращения 13.03.2024).

105. Hamed Beirami, Ali Zargar Shabestari, Mohammad Mahdi Zerafat. Optimal PID plus fuzzy controller design for a PEM fuel cell air feed system using the self-adaptive differential evolution algorithm. International journal of hydrogen energy. Volume 40, Issue 30, 10 August 2015. - P. 9422 - 9434. https://doi.org/10.1016/jijhydene. 2015.05.114.

106. Savran A. A multivariable predictive fuzzy PID control system. Applied Soft Computing, vol. 13, 2013. - P. 2658 - 2667. https://doi.org/10.1016Zj.asoc. 2012.11.021.

107. Dao Thanh Liem, Dinh Quang Truong, KyoungKwan Ahn. A torque estimator using online tuning grey fuzzy PID for applications to torque-sensorless control of DC motors. Mechatronics, Vol. 26 (2015). - P. 45 - 63. https://doi.org/ 10.1016/j.mechatronics. 2015.01.004.

108. Aydogan Savran, Gokalp Kahraman. A fuzzy model based adaptive PID controller design for nonlinear and uncertain processes. ISA Transactions, Vol. 53 (2014). - P. 280 - 288. https://doi.org/10.1016/jisatra. 2013.09.020.

109. G. Jahedi, M. M. Ardehali. Genetic algorithm-based fuzzy-PID control methodologies for enhancement of energy efficiency of a dynamic energy system. Energy Conversion and Management, Vol. 52 (2011). - P. 725 - 732. https://doi.org/10.1016/j.enconman. 2010.07.051.

110. Shih-Yu Li, Miguel Angel Benalcazar Hernandez. Robust synchronization of chaotic systems with novel fuzzy rule-based controllers. Information Sciences Volume 481, May 2019. - P. 604 - 615. https://doi.org/10.1016/jins. 2018.12.066.

111. Fatemeh Amini, Hamid Khaloozadeh. Robust stabilization of multilinear interval plants by Takagi-Sugeno fuzzy controllers. Applied Mathematical Modelling Volume 51, November 2017. - P. 329 - 340. https://doi.org/10.1016/j.apm. 2017.07.002.

112. K. K. Ahn, D. Q. Truong. Online tuning fuzzy PID controller using robust extended Kalman filter. Journal of Process Control Volume 19, Issue 6, June 2009. -P. 1011 - 1023. https://doi.org/10.1016/jjprocont. 2009.01.005.

113. Vineet Kumar, K.P.S. Rana, Puneet Mishra. Robust speed control of hybrid electric vehicle using fractional order fuzzy PD and PI controllers in cascade control loop. Journal of the Franklin Institute Volume 353, Issue 8, May 2016. - P. 1713 - 1741. https://doi.org/10.1016/j .jfranklin. 2016.02.018.

114. Feng-Hsiag Hsiao. Robust fuzzy controller design for nonlinear multiple time-delay systems by dithers. Fuzzy Sets and Systems Volume 161, Issue 21, 1 November 2010. - P. 2760 - 2779. https://doi.org/10.1016/j.fss. 2010.05.014.

115. Chun-Fei Hsu, Kuo-Hsiang Cheng, Tsu-Tian Lee. Robust wavelet-based adaptive neural controller design with a fuzzy compensator. Neurocomputing Volume 73, Issues 1-3, December 2009. - P. 423 - 431. https://doi.org/10.1016/j.neucom. 2009.07.011.

116. Cheng-Shion Shieh. Nonlinear robust digital controller based on fuzzy model for homing missiles. Chaos, Solitons&Fractals Volume 38, Issue 1, October 2008. -P. 192 - 198. https://doi.org/10.1016/jxhaos. 2006.11.002.

117. Yanpeng Hu, Yanping Yang, Shu Li, Yaoming Zhou. Fuzzy controller design of micro-unmanned helicopter relying on improved genetic optimization algorithm.

Aerospace Science and Technology Volume 98, March 2020, 105685. https://doi.org/10.1016/j.ast. 2020. 105685.

118. J. Chen, F. Liu. Robust Fuzzy Guaranteed Cost Controller Design via Piecewise Lyapunov Function Approach. IFAC Proceedings Volumes Volume 41, Issue 2, 2008. - P. 13223 - 13228. https://doi.org/10.3182/20080706-5-KR-1001.02240.

119. Wenjie Zeng, Qingfeng, Jiang, Jinsen Xie, Tao Yu. A fuzzy-PID composite controller for core power control of liquid molten salt reactor. Annals of Nuclear Energy Volume 139, May 2020, 107234. https://doi.org/10.1016/j.anucene. 2019.107234.

120. A. Ollero, J. Aracil, A. Garcia-Cerezo. Robust design of rule-based fuzzy controllers. Fuzzy Sets and Systems Volume 70, Issues 2-3, 20 March 1995. - P. 249 - 273. https://doi.org/10.1016/0165-0114(94)00220-2.

121. L. A. Alsafadi, N. A. Chulin, I. V. Mironova. Synthesis of Fuzzy Controller Based on Simple PID Controller. Procedia Computer Science Volume 150, 2019. - P. 28 - 38. https://doi.org/10.1016/j.procs. 2019.02.008.

122. Feng Zheng, Paul M. Frank. Robust Controller Design for Uncertain Nonlinear Systems via Fuzzy Modelling Approach with Application to the Stabilization of Power Systems. European Journal of Control, Volume 8, Issue 6, 2002. - P. 535 - 550. https://doi.org/10.3166/ejc.8.531 - 550.

123. Maha Khamis Al-Sulaiti, Haitham Abu-Rub, Hazem Nounou, Aeysha Al-Khuleifi, Amna Al-Motawa, Atif Iqbal. Induction motor drive system with adaptive fuzzy logic controller. IFAC Proceedings Volumes, Volume 42, Issue 13, 2009. - P. 97 - 102. https://doi.org/10.3182/20090819-3-PL-3002.00018.

124. H. Sathishkumar, S. S. Parthasarathy. A novel neural network intelligent controller for vector controlled induction motor drive. Energy Procedia Volume 138, October 2017. - P. 692 - 697. https://doi.org/10.1016/j.egypro. 2017.10.202.

125. Juan A. Mendez, Ayoze Marreroa, Jose A. Reboso, Ana Leon. Adaptive fuzzy predictive controller for anesthesia delivery. Control Engineering Practice, Volume 46, January 2016. - P. 1 - 9. https://doi.org/10.1016/j.conengprac. 2015.09.009.

126. F. Adda, C. Larbes, M. Allek, M. Loudini. Design of an intelligent fuzzy logic controller for a nuclear research reactor. Progress in Nuclear Energy. Volume 46, Issues 3 - 4, 2005. - P. 328 - 347. https://doi.org/10.1016/j.pnucene. 2005.03.014.

127. Oscar Calvo. Control of Power System Using Adaptive Fuzzy Controller. IFAC Proceedings Volumes, Volume 33, Issue 6, May 2000. - P. 69 - 73. https://doi.org/10.1016/S1474-6670(17)35450-2.

128. Jeong Jun Song, Sunwon Park. A fuzzy dynamic learning controller for chemical process control. Fuzzy Sets and Systems Volume 54, Issue 2, 10 March 1993. - P. 121 - 133. https://doi.org/10.1016/0165-0114(93)90270-R.

129. MichailPetrov, Todor Proycbev, Andon Topalov. An Adaptive Hybrid Fuzzy-Neural Controller. IFAC Proceedings Volumes Volume 30, Issue 21, September 1997. -P. 339 - 344. https://doi.org/10.1016/S1474-6670(17)41461-3.

130. Chun-Tang Chao, Ching-Cheng Teng. A PD-like self-tuning fuzzy controller without steady-state error. Fuzzy Sets and Systems Volume 87, Issue 2, 16 April 1997. -P. 141 - 154. https://doi.org/10.1016/S0165-0114(96)00022-X.

131. Srinivasan Alavandar, M. J. Nigam. New hybrid adaptive neuro-fuzzy algorithms for manipulator control with uncertainties - Comparative study. ISA Transactions, Volume 48, Issue 4, October 2009. - P. 497 - 502. https://doi.org/10.1016/jisatra. 2009.05.003.

132. G. L. Demidova, D. V. Lukichev, A. Yu. Kuzin. A Genetic Approach for AutoTuning of Adaptive Fuzzy PID Control of a Telescope's Tracking System. Procedia Computer Science, Volume 150, 2019. - P. 495 - 502. https://doi.org/10.1016/j.procs.2019.02.084.

133. K. Wiktorowicz, J. Kluska. Interpretable fuzzy model reference adaptive controller for linear MIMO systems: MATLAB implementation and simulation toolkit. Software X, Volume 31, September 2025, 102310, https://doi.org/10.1016/j.softx.2025.102310.

134. R. Meghwal, V.K. Yadav, M. Vardia. Robust fuzzy controller design with FPGA implementation for matrix converter, based induction motor drive, e-Prime -

Advances in Electrical Engineering, Electronics and Energy, Volume 10, December 2024, 100752, https://doi.Org/10.1016/j.prime.2024.100752.

135. L. Zhou, Q. Hu, X. Peng, Q. Liu. Real-time proportional-integral-derivative (PID) tuning based on back propagation (BP) neural network for intelligent vehicle motion control, Computers, Materials and Continua, Volume 83, Issue 2, 16 April 2025, Pages 2375-2401, https://doi.org/10.32604/cmc.2025.061894.

136. A. Sikora, A. Zielonka, M. Wozniak, P. Orsag, T. Mlcak, L. Hrabovsky. Fuzzy control system to improve the efficiency of the brushless direct current motor by correcting the control angle, International Journal of Electrical Power & Energy Systems, Volume 169, August 2025, 110762, https://doi.org/10.1016/j.ijepes.2025.110762.

137. M.S. Elborlsy, Samir A. Hamad, Fayez F.M. El-Sousy, R.M. Mostafa, H.E. Keshta, Mohamed A. Ghalib. Neuro-fuzzy controller based adaptive control for enhancing the frequency response of two-area power system, Heliyon, Volume 11, Issue 10, May 2025, e42547, https://doi.org/10.1016Zj.heliyon.2025.e42547.

138. M.A. George, D.V. Kamat, C.P. Kurian. Electric vehicle speed tracking control using an ANFIS-based fractional order PID controller, Journal of King Saud University - Engineering Sciences, Volume 36, Issue 4, May 2024, Pages 256-264, https://doi.org/10.1016/jjksues.2022.01.001.

139. O. Rodriguez-Abreo, J. Rodriguez-Resendiz, A. Garcia-Cerezo, J.R. Garcia-Martinez. Fuzzy logic controller for UAV with gains optimized via genetic algorithm. Heliyon, Volume 10, Issue 4, 29 February 2024, e26363. https://doi.org/10.1016/j.heliyon.2024.e26363.

140. M.T. Manesh, M.R. Hoonejani, S.G. Gousheh, A.Abdolmaleki, A.N. Dehnavi, A. Shahrashoob. AI-driven control algorithm using machine learning and genetic optimization for enhancing visual comfort in adaptive façades. Automation in Construction, Volume 179, November 2025, 106474. https://doi.org/10.1016/j.autcon.2025.106474.

141. X. Huang, J. Yan, X. Zhou, Z. Yang, X. Huang. Energy-efficient optimization method for air conditioning terminal systems in IDC based on genetic algorithm. Energy, Volume 333, 1 October 2025, 137502. https://doi.org/10.1016/j.energy.2025.137502.

142. B. Amini, H. Rastegar, M. Pichan. An optimized proportional resonant current controller based genetic algorithm for enhancing shunt active power filter performance. International Journal of Electrical Power & Energy Systems, Volume 156, February 2024, 109738. https://doi.org/10.1016/j.ijepes.2023.109738.

143. O. Rodriguez-Abreo, M. Aviles, J. Rodriguez-Resendiz, A. Garcia-Cerezo. Neural networks and genetic algorithms-based self-adjustment system for a backstepping controller of an unmanned aerial vehicle. Alexandria Engineering Journal, Volume 126, July 2025, Pages 70-80. https://doi.org/10.1016/j.aej.2025.04.034.

144. M.S. Dahassa, N. Zioui. Optimal control-based quantum genetic algorithm for a six jointed articulated robotic arm. Results in Control and Optimization, Volume 20, September 2025, 100584. https://doi.org/10.1016/j.rico.2025.100584.

145. N. Guler, Z.B. Hazem, A. Gunes, F. Saidi. Adaptive neuro-fuzzy inference system-genetic algorithm approach for global maximum power point tracking in PV systems under different shading conditions, Green Technologies and Sustainability, Volume 3, Issue 4, October 2025, 100239, https://doi.org/10.1016/j.grets.2025.100239.

146. G.V. Hollweg, P.J. Dias de Oliveira Evald, E. Mattos, L.C. Borin, R.V. Tambara, V.F Montagner. Self-tuning methodology for adaptive controllers based on genetic algorithms applied for grid-tied power converters. Control Engineering Practice, Volume 135, June 2023, 105500. https://doi.org/10.1016/j.conengprac.2023.105500.

147. Q. He, F. Zhang, G. Bian, W. Zhang, Z. Li. Multi-dimensional resource placement algorithm based on parallel genetic algorithm. Computer Communications, Volume 241, 1 September 2025, 108235. https://doi.org/10.1016/j.comcom.2025.108235.

148. B. Ma, P.-H. Li. Optimal flexible power allocation energy management strategy for hybrid energy storage system with genetic algorithm based model predictive control. Energy, Volume 324, 1 June 2025, 135958. https://doi.org/10.1016/j.energy.2025.135958.

149. Игнатьев, В. В. Гибридный алгоритм формирования базы правил нечеткого регулятора [Текст] / В. В. Игнатьев, О. Б. Спиридонов // Известия ЮФУ. Технические науки. Тематический выпуск «Радиоэлектронные и инфо-

коммуникационные технологии, системы и сети». - 2015. - № 11 (172). -С. 177 - 186.

150. Игнатьев, В. В. Концепция управления техническим объектом в условиях неопределенности [Текст] / Игнатьев В. В., Шацкий В. Б. Актуальные вопросы науки: Материалы 70-й Международной научно-практической конференции (10.12.2020). - М.: Издательство «Спутник +», 2020. - 32 с. С. 28 - 31. ISBN 978-5-9973-5798-6.

151. Игнатьев, В. В. Системы управления на основе объединения классической и нечеткой моделей объекта [Текст] / В. И. Финаев, В. В. Игнатьев. Монография. - М.: ФИЗМАТЛИТ, 2013. - 156с. - ISBN 978-5-9221-1474-5.

152. Игнатьев, В. В. Управление энергетическими установками с применением гибридных регуляторов [Текст] / В. И. Финаев, В. В. Игнатьев, Д.А. Белоглазов. Монография. - Таганрог: Изд-во ЮФУ, 2013. - 111 с.

153. Игнатьев, В. В. Методы управления техническими объектами с помощью интеллектуальных регуляторов на основе самоорганизации баз знаний [Текст] / В. В. Игнатьев. Монография / Южный федеральный университет. -Ростов-на-Дону; Таганрог: Издательство Южного федерального университета, 2020. - 142 с. ISBN 978-5-9275-3562-0. DOI 10.18522/801273622.

154. Игнатьев, В. В. Алгоритм самоорганизации робастных баз знаний без привлечения эксперта в системах управления с интеллектуальными регуляторами. Труды Международного научно-технического конгресса «Интеллектуальные системы и информационные технологии - 2020» («ИС&ИТ-2020», «IS&IT'20»). Научное издание в 2-х т. Т. 1. - Таганрог: Изд-во Ступина С.А., 2020. - 536 с. ISBN 978-5-6043689-8-5, ISBN 978-5-6043689-9-2 (Т. 1). С. 362 - 377.

155. Игнатьев, В. В. Моделирование гибридного управления на основе алгоритма самоорганизации робастных баз знаний [Текст] / В. В. Игнатьев, В. М. Курейчик, О. Б. Спиридонов // Труды Международного научно-технического конгресса «Интеллектуальные системы и информационные технологии - 2020» («ИС&ИТ-2020», «IS&IT'20»). Научное издание в 2-х т. Т. 1. - Таганрог: Изд-во

Ступина С.А., 2020. - 536 с. ISBN 978-5-6043689-8-5, ISBN 978-5-6043689-9-2 (Т. 1). С. 328 - 336.

156. Игнатьев, В. В. Метод синтеза исходной базы правил адаптивного нечеткого регулятора [Текст] / Соловьев В. В., Игнатьева А. С. // Фундаментальные исследования, методы и алгоритмы прикладной математики в технике, медицине и экономике: материалы 17-ой Междунар. науч.-практ. конф., г. Новочеркасск, 6-7 сентября 2018г. / Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова. - Новочеркасск: Лик, 2018. - 338 с. С. 31 - 34. ISBN 978-5-906993-66-3.

157. Игнатьев, В. В. Математические модели объектов управления с априорной неопределенностью [Текст] / Игнатьев В. В., Соловьев В. В., Белоглазов Д. А., Игнатьева А. С. // Актуальные вопросы науки: Материалы XLIV Международной научно-практической конференции (10.10.2018). -М.: Издательство «Спутник +», 2018. - 133с. С. 82 - 86. ISBN 978-5-9973-4969-1.

158. V. V. Ignatyev, V. I. Finaev, A. V. Kovalev, O. B. Spiridonov, V. V. Soloviev, A. S. Ignatyeva. Systematic approach to selection of models for investigation into technical objects of automated systems. International Journal of Civil Engineering and Technology (IJCIET) Volume 8, Issue 10, October 2017, pp. 559 - 570, ISSN Print: 0976-6308 and ISSN Online: 0976-6316.

159. V. V. Ignatyev, A. V. Kovalev, O. B. Spiridonov, V. M. Kureychik, A. S. Ignatyeva, I. B. Safronenkova. Hybrid genetic-paired-permutation algorithm for improved VLSI placement. ETRI Journal. 2021; 43(2): 260 - 271. DOI: 10.4218/etrij.2019-0412.

160. Игнатьев, В. В. Разработка нечеткого регулятора для управления подачей топлива в котел [Текст] / В. В. Игнатьев, А. А. Пушнина, И. В. Пушнина, О. Б. Спиридонов, В. И. Финаев // Известия ЮФУ. Технические науки. - Таганрог: Изд-во ЮФУ, 2017, №7 (192). - 239с., С. 162 - 175. ISSN 1999-9429.

161. Safronenkova I. B., Klimenko A. B., V. V. Ignatyev, Ignatyeva A. S., Spiridonov O. B., Kovalev A. V., Kureychik V. M. Decision-making with greedy multiagent classifier. International Journal of Civil Engineering and Technology (IJCIET)

Volume 9, Issue 2, February 2018, pp. 379 - 388. ISSN Print: 0976-6308 and ISSN Online: 0976-6316.

162. Игнатьев, В. В. Метод автоматического синтеза нечетких регуляторов [Текст] / Игнатьев В. В., Соловьев В. В., Воротова А. А. Программные продукты и системы / Software & Systems. Международный научно-практический журнал. 2019, Т 32, № 4. С. 759 - 769. DOI: 10.15827/0236-235X.128.759-769. ISSN 0236-235X.

163. V.V. Ignatyev, V. V. Soloviev, D. A. Beloglazov, A. V. Kovalev. Method for the synthesis of fuzzy controllers from experimental data based on clustering. Artificial intelligence in intelligent systems. Proceedings of 10th Computer Science On-line Conference 2021, Vol. 2. Lecture Notes in Networks and Systems Volume 229. Springer Nature Switzerland AG 2021. R. Silhavy (Ed.): CSOC 2021, LNNS 229, pp. 557 - 572, 2021. https://doi.org/10.1007/978-3-030-77445-5_51. ISSN 2367-3370.

164. Игнатьев, В. В. Метод синтеза нечетких регуляторов на основе кластеризации [Текст] / Игнатьев В. В., Соловьев В. В. Программные продукты и системы. 2021. Т. 34. № 4. С. 597 - 607. DOI: 10.15827/0236-235X.136.597-607.

165. Игнатьев, В. В. Автоматический синтез базы правил нечеткого регулятора [Текст] / Игнатьев В. В., Соловьев В. В., Шадрина В. В. // Актуальные вопросы науки: Материалы 81-й (10.11.2021) и 82-й (10.12.2021) Международной научно-практической конференции. - М.: Издательство «Спутник +», 2021. - 48 с. С. 38 - 41. ISBN 978-5-9973-6151-8.

166. Игнатьев, В. В. Адаптивная система нейро-нечеткого вывода для решения задачи гибридного управления [Текст] / А. С. Игнатьева, В. М. Курейчик, Ю. А. Логунова // Труды конгресса по интеллектуальным системам и информационным технологиям «IS&IT'17». Научное издание в 3-х томах. -Таганрог: Изд-во Ступина С.А., 2017. - Т. 1. - 462с. ISBN 978-5-9500107-6-7, ISBN 978-5-9500107-7-4 (Т. 1).

167. V. V. Ignatyev, Uranchimeg Tudevdagva, A. V. Kovalev, O. B. Spiridonov, A. V. Maksimov, A. S. Ignatyeva. Model of adaptive system of neuro-fuzzy inference based on PID- and PID-fuzzy-controllers. Artificial Intelligence and Bioinspired

Computational Methods. Proceedings of the 9th Computer Science On-line Conference 2020, Vol. 2. Advances in Intelligent Systems and Computing Volume 1225. Springer Nature Switzerland AG 2020. R. Silhavy (Ed.): CSOC 2020, AISC 1225, pp. 519 - 533, 2020. https://doi.org/10.1007/978-3-030-51971-1_43. ISSN 2194-5357.

168. Игнатьев, В. В. Метод гибридного управления на основе адаптивной системы нейронечеткого вывода [Текст] / В. В. Игнатьев, В. М. Курейчик, О. Б. Спиридонов, А. С. Игнатьева // Известия ЮФУ. Технические науки. - 2017. -№ 9 (194). - 2302 с. - С. 124 - 132. ISSN 1999 - 9429.

169. Ignatyev V. V., Kovalev A. V., Spiridonov O. B., Ignatyeva A. S., Bozhich V. I., Boldyreff A. S. Model of adaptive system of neuro-fuzzy inference based on PI- and PI-FUZZY-controllers // Proc. SPIE 10799, Emerging Imaging and Sensing Technologies for Security and Defence III; and Unmanned Sensors, Systems, and Countermeasures, 107990Y (4 October 2018); doi: 10.1117/12.2513302. SPIE Security + Defence, 2018, Berlin, Germany, Vol. 10799 107990Y-1.

170. Целигоров, Н. А. Математические модели неопределенностей систем управления и методы, используемые для их исследования [Текст] / Н. А. Целигоров, Е. Н. Целигорова, Г. М. Мафура // Научный журнал «Инженерный вестник Дона» (сетевое издание), 2012г., том 23, номер 4 (часть 2), с. 48. ISSN 2073-8633.

171. Никифоров, В. О. Интеллектуальное управление в условиях неопределенности: учебное пособие [Текст] / В. О. Никифоров, О. В. Слита, А. В. Ушаков. - СПб: СПбГУ ИТМО, 2009. - 232 с.: ил. 33.

172. Бобцов, А. А. Методы адаптивного и робастного управления нелинейными объектами в приборостроении [Текст]: учебное пособие для высших учебных заведений / А. А. Бобцов, В. О. Никифоров, А. А. Пыркин, О. В. Слита, А. В. Ушаков - СПб: НИУ ИТМО, 2013. - 277 с.: ил. 65. ISBN 978-5-7577-0428-9.

173. Збрищак, С. Г. Неопределённость в задачах моделирования и управления сложных, слабо формализуемых многокомпонентных систем [Текст] / С. Г. Збрищак, Л. С. Звягин // Международная конференция по мягким

вычислениям и измерениям. Изд-во ФГАОУ ВО Санкт-Петербургского государственного электротехнического университета ЛЭТИ им. В.И. Ульянова (Ленина), 2020г., том 1, с. 15 - 19.

174. Никифоров, В. О. Управление в условиях неопределенности: чувствительность, адаптация, робастность [Текст] / В. О. Никифоров, А. В. Ушаков - СПб: СПбГИТМО (ТУ), 2002.

175. Игнатьев, В. В. Компенсация разных типов неопределенностей при управлении техническим объектом с помощью интеллектуальных регуляторов [Текст] / В.В. Игнатьев. Программные продукты и системы. 2023. Т. 36. № 3. С. 423-431. doi: 10.15827/0236-235X.142.423-431.

176. Игнатьев, В. В. Метод синтеза систем гибридного управления на основе объединения классической и нечеткой моделей объекта [Текст]: дис. канд. тех. наук: 05.13.01, 05.13.06 / Игнатьев Владимир Владимирович. - Ростов-на-Дону, 2011. - 184 с.

177. Андриевская, Н. В. Особенности применения нейро-нечетких моделей для задач синтеза систем автоматического управления [Текст] / Н. В. Андриевская, А. С. Резников, А. А. Черанев // Фундаментальные исследования. - 2014. - №2 11-7. - С. 1445 - 1449.

178. Игнатьев, В. В. Разработка программного обеспечения автоматизации процесса генерации управляющих правил систем с нечеткой логикой на основе данных классических ПИ-, ПИД-регуляторов [Текст] / В. В. Игнатьев, Д. А. Белоглазов, В. М. Курейчик, О. Б. Спиридонов, А. С. Игнатьева // Известия ЮФУ. Технические науки, - 2018. - №№ 3 (197). - 231с. С. 177 - 185. ISSN 1999-9429 (Print), ISSN 2311-3103 (Online). DOI 10.23683/2311-3103-2018-3-177 - 185.

179. Программа автоматизации процесса генерации управляющих правил систем с нечеткой логикой на основе данных классических ПИ, ПИД регуляторов / [Текст]: заявка № 2018661072 от 10.10.2018г. Авторы: Игнатьев В. В., Белоглазов Д. А., Соловьев В. В., Игнатьева А. С., Спиридонов О. Б., Ковалев А. В. Свидетельство о государственной регистрации программы для ЭВМ № 2018664041 от 9.11.2018г.

180. Игнатьев, В. В. Метод гибридного управления в интеллектуальных системах на основе ПИД- и ПИД-FUZZY-регуляторов [Текст] / В. В. Игнатьев, О. Б. Спиридонов, В. М. Курейчик, А. В. Ковалев, А. С. Игнатьева // Вестник РГРТУ. - 2017. - № 62. - С. 110 - 118. ISSN 1995-4565. DOI: 10.21667/1995-45652017-62-4-110 - 118.

181. Anna Witkowska, Roman Smierzchalski. Designing a ship course controller by applying the adaptive backstepping method // International Journal of Applied Mathematics and Computer Science Vol. 22 (4), 2012. pp. 985 - 997.

182. V.V. Ignatyev, V.V. Soloviev, A.S. Ignatyeva, A.S. Boldyreff. Analysis of the controllers of the vessel course control systems in difficult navigation conditions // Proc. SPIE 11169, Artificial Intelligence and Machine Learning in Defense Applications, 111690U (7 October 2019); doi: 10.1117/12.2554412. Event: SPIE Security + Defence, 2019, Strasbourg, France, Vol. 11169 111690U-1.

183. J. Van Amerongen, A. J. Udink Ten Cate. Model reference adaptive autopilots for ships // Automatica Vol. 11 (5), 1975, pp. 441 - 449.

184. Требования ИМО (Регистра) к рулевым машинам. URL: https://mirmarine.net/svm/sudovye-rulevye-ustrojstva/tekhnicheskoe-ispolzovanie-i-obsluzhivanie-rulevykh-mashin/260-trebovaniya-imo-registra-k-rulevym-mashinam (дата обращения: 4.12.2025).

185. Игнатьев, В. В. Моделирование гибридного управления техническим объектом с применением системы нечеткого вывода типа Сугено [Текст] / О. Б. Спиридонов, В. В. Соловьев, Д. А. Белоглазов, А. С. Игнатьева // Труды конгресса по интеллектуальным системам и информационным технологиям «IS&IT'18». Научное издание в 3-х томах. -Таганрог: Изд-во Ступина С. А., 2018. - Т. 2. - 418с. ISBN 978-5-6041321-4-2, ISBN 978-5-6041321-6-6 (Т. 2). С. 29 - 35.

186. Игнатьев, В. В. Анализ гибридных регуляторов в моделях управления техническими объектами в изменяющихся условиях [Текст] / Игнатьев В. В., Соловьев В. В., Белоглазов Д. А. Программные продукты и системы. 2021. Т. 34. № 4. С. 555 - 563. DOI: 10.15827/0236-235X.136.555-563.

187. Игнатьев, В. В. Метод оптимального управления техническим объектом, функционирующим в изменяющихся условиях с помощью интеллектуальных регуляторов [Текст] / В. В. Игнатьев, О. Б. Спиридонов, В. В. Соловьев, И. О. Шаповалов, А. С. Игнатьева // Труды Международного научно-технического конгресса «Интеллектуальные системы и информационные технологии - 2019» («ИС&ИТ-2019», «IS&IT' 19»). Научное издание в 2-х т. Т. 2. -Таганрог: Изд-во Ступина С.А., 2019. - 434с. ISBN 978-5-6042279-1-6, ISBN 978-5-6042279-5-4 (Т. 2). С. 232 - 247.

188. Игнатьев, В. В. Управление неустойчивым нелинейным техническим объектом на основе интеллектуального регулятора [Текст] / Игнатьев В. В., Соловьев В. В., Шадрина В. В. Актуальные научные исследования в современном мире // Журнал - Переяслав, 2021. - Вып. 11(79), ч. 12 - 223 с. С. 100 - 106. ISSN 2524-0986.

189. Игнатьев, В.В. Автоматический синтез интеллектуальных регуляторов на основе алгоритма самоорганизации робастных баз знаний // Программные продукты и системы. 2025. Т. 38. № 4. С. 644-651. doi: 10.15827/0236-235X.152.644-65.

190. Игнатьев, В. В. Оптимизация параметров нечетких регуляторов с помощью генетических алгоритмов [Текст] / Игнатьев В. В., Соловьев В. В., Шадрина В.В. // Актуальные вопросы науки: Материалы 81-й (10.11.2021) и 82-й (10.12.2021) Международной научно-практической конференции. -М.: Издательство «Спутник +», 2021. - 48 с. С. 42 - 47. ISBN 978-5-9973-6151-8.

191. Игнатьев, В. В. Оптимизация параметров интеллектуального регулятора с помощью генетического алгоритма для управления неустойчивым нелинейным техническим объектом [Текст] / Игнатьев В. В., Соловьев В. В. Актуальные научные исследования в современном мире // Журнал - Переяслав, 2021. - Вып. 12(80), ч. 11 - 459 с. С. 76 - 83 ISSN 2524-0986.

192. Игнатьев, В. В. Разработка ANFIS-системы для управления неустойчивым нелинейным техническим объектом [Тексп] / Игнатьев В. В.,

Соловьев В. В. Актуальные научные исследования в современном мире // Журнал - Переяслав, 2021. - Вып. 11(79), ч. 12 - 223 с. С. 94 - 99. ISSN 2524-0986.

193. Игнатьев, В.В. Оптимизация базы правил нечеткого регулятора на основе методов кластеризации [Текст] / А. А. Игнатьева, О. Б. Спиридонов, В. В. Игнатьев, И. О. Шаповалов, В. В. Соловьев // Труды конгресса по интеллектуальным системам и информационным технологиям «IS&IT'18». Научное издание в 3-х томах. - Таганрог: Изд-во Ступина С.А., 2018. - Т. 2. - 418с. ISBN 978-5-6041321-4-2, ISBN 978-5-6041321-6-6 (Т. 2). С. 35 - 44.

194. V. Ignatyev, V. Soloviev, D. Beloglazov, V. Kureychik, A. Kovalev, A. Ignatyeva. The fuzzy rule base automatic optimization method of intelligent controllers for technical objects using fuzzy clustering. Creativity in Intelligent Technologies and Data Science Third Conference, CIT&DS 2019 Volgograd, Russia, September 16-19, 2019. Proceedings, Part II. Springer Nature Switzerland AG 2019. A.G. Kravets et al. (Eds.): CIT&DS 2019, CCIS 1084, pp. 135 - 152, 2019. https://doi.org/10.1007/978-3-030-29750-3_11. ISSN 1865-0929.

195. V. Ignatyev, A. Kovalev, O. Spiridonov, V. Kureychik, V. Soloviev, A. Ignatyeva. A method of optimizing the rule base in the Sugeno fuzzy inference system using fuzzy cluster analysis. International Review of Electrical Engineering (I.R.E.E.), Vol. 15, N. 4, ISSN 1827-6660, pp. 316 - 327, July - August 2020. https://doi.org/10.15866/iree.v15i4.16545.

196. A. Ignatyeva, V. Kureychik, V. Ignatyev, V. Soloviev, D. Beloglazov, A. Kovalev. Optimization of the intelligent controller rule base based on fuzzy clustering for controlling an object operating in changing conditions. Creativity in Intelligent Technologies and Data Science. 4th International Conference, CIT&DS 2021 Volgograd, Russia, September 20 - 23, 2021 Proceedings. Communications in Computer and Information Science 1448. A. G. Kravets et al. (Eds.): CIT&DS 2021, CCIS 1448, pp. 149 - 162, 2021. https://doi.org/10.1007/978-3-030-87034-8_12. ISSN 1865-0929.

197. Игнатьев, В. В. Оптимизация базы правил нечеткого регулятора на основе генетического алгоритма [Текст] / В. В. Игнатьев, В. В. Соловьев,

Д. А Белоглазов, О. Б. Спиридонов, А. С. Игнатьева // Труды Международного научно-технического конгресса «Интеллектуальные системы и информационные технологии - 2019» («ИС&ИТ-2019», «IS&IT' 19»). Научное издание в 2-х т. Т. 2. -Таганрог: Изд-во Ступина С.А., 2019. - 434с. ISBN 978-5-6042279-1-6, ISBN 978-5-6042279-5-4 (Т. 2). С. 24 - 31.

198. Игнатьев, В. В. Метод поиска оптимальных параметров систем управления с нечеткой логикой на основе генетических алгоритмов [Текст] / В. В. Игнатьев, В. В. Соловьев, Д. А. Белоглазов // Методы и алгоритмы прикладной математики в технике, медицине и экономике. Электронный научный журнал «Вестник молодёжной науки России». Выпуск №4, 2019. ISSN 2658-7505.

199. V. V. Ignatyev, V. V. Soloviev, D. A. Beloglazov, A. S. Boldyreff. Development of a method for automatic generation and optimization of fuzzy controller parameters using genetic algorithm. Proc. SPIE 11543, Artificial Intelligence and Machine Learning in Defense Applications II, 115430A (20 September 2020); doi: 10.1117/12.2581481. Event: SPIE Security + Defence, 2020, Online Only. Vol. 11543 115430A-1.

200. V. V. Ignatyev, D. A. Beloglazov, V. V. Soloviev, A. V. Kovalev. Development of a method for automatic generation and optimization of fuzzy controller parameters based on an adaptive genetic algorithm. Artificial intelligence in intelligent systems. Proceedings of 10th Computer Science On-line Conference 2021, Vol. 2. Lecture Notes in Networks and Systems Volume 229. Springer Nature Switzerland AG 2021. R. Silhavy (Ed.): CSOC 2021, LNNS 229, pp. 404 - 416, 2021. https://doi.org/10.1007/978-3-030-77445-5_38. ISSN 2367-3370.

201. Yasin Md., Sultan A., Khodadad A. Comparison of Fuzzy Multiplication Operation on Triangular Fuzzy Number // IOSR Journal of Mathematics (IOSR-JM) e-ISSN: 2278-5728, p-ISSN: 2319-765X. Volume 12, Issue 4 Ver. I (Jul. - Aug.2016), pp. 35 - 41.

202. Rahmani A., Hosseinzadeh F., Rostamy-Malkhalifeh M., Allahviranloo T. A New Method for Defuzzification and Ranking of Fuzzy Numbers Based on the Statistical

Beta Distribution // Advances in Fuzzy Systems, Volume 2016, Article ID 6945184, 8 pages, http://dx.doi.org/10.1155/2016/6945184.

203. V. Ignatyev, V. Soloviev, D. Beloglazov, V. Kureychik, A. Ignatyeva, A. Vorotova. System for automatic adjustment of intelligent controller parameters. Creativity in Intelligent Technologies and Data Science Third Conference, CIT&DS 2019 Volgograd, Russia, September 16-19, 2019. Proceedings, Part II. Springer Nature Switzerland AG 2019. A.G. Kravets et al. (Eds.): CIT&DS 2019, CCIS 1084, pp. 226-242, 2019. https://doi.org/10.1007/978-3-030-29750-3_18. ISSN 1865-0929.

204. E. A. Muravyova, D. S. Radakina. Using the fuzzy controller to control process parameters. International Scientific Journal "INDUSTRY 4.0". Year III, Issue 5, p.p. 236 - 239 (2018).

205. G. K. I. Mann, Bao-Gang Hu andR. G. Gosine. Analysis of direct action fuzzy PID controller structures. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 29, no. 3, pp. 371 - 388 (1999).

206. V. Ojha, A. Abraham, V. Snasel. Heuristic Design of Fuzzy Inference Systems: A Review of Three Decades of Research. Engineering Applications of Artificial Intelligence vol. 85, pp. 845 - 864 (2019). DOI:10.1016/j.engappai.2019.08.010.

207. Программа для автоматического создания нечетких регуляторов на основе измерения параметров технических объектов / [Текст]: Заявка № 2019661292 от 13.09.2019г. Авторы: Игнатьев В. В., Белоглазов Д. А., Соловьев В. В., Ковалев А. В., Игнатьева А. С. Свидетельство о государственной регистрации программы для ЭВМ № 2019662329 от 20.09.2019г.

208. Бураков, М. В. Эволюционный синтез нечетких регуляторов [Текст] / М. В. Бураков, А. С. Коновалов, О. Б. Яковец. Информационно -управляющие системы, vol. 6, pp. 28 - 33 (2015).

209. Программа автоматической оптимизации параметров нечетких регуляторов на основе генетического алгоритма / [Текст]: Заявка № 2020612844 от 13.03.2020г. Авторы: Игнатьев В. В., Белоглазов Д. А., Соловьев В. В., Воротова А. А., Ковалев А. В., Игнатьева А. С. Свидетельство о государственной регистрации программы для ЭВМ № 2020613732 от 23.03.2020г.

210. Программа автоматической оптимизации параметров нечетких регуляторов на основе генетического алгоритма / [Текст]: Заявка № 2021613032 от 10.03.2021г. Авторы: Игнатьев В. В., Белоглазов Д. А., Соловьев В. В., ^валев А. В. Свидетельство о государственной регистрации программы для ЭВМ № 2021613894 от 16.03.2021г.

211. Пупков, К. А. Методы классической и современной теории автоматического управления [Текст]: учебник в 5 томах / K. А. Пупков, Н. Д. Егупов, А. И. Баркин, А. В. Зайцев и др. - Москва: Изд-во МГТУ им. Н. Э. Баумана, 2004. - Т5. Методы современной теории автоматического управления. - 784 с.

212. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы [Текст] / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польского И. Д. Рудинского. - Москва: Горячая линия - Телеком, 2006. - 452 c.

213. ладков, Л. А. Генетические алгоритмы [Текст]: учебное пособие / Л. А. Гладков, В. В. ^рейчик, В. М. ^рейчик; под ред. В. М. ^рейчика. -Ростов-на-Дону: ООО «Ростиздат», 2004. - 400 c.

214. Белоглазов, Д. А. Разработка и исследование методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур [Текст]: дис. канд. тех. наук: 05.13.01 / Белоглазов Денис Александрович. - Таганрог, 2011. -1б4 с.

215. ладков, Л. А. Генетические алгоритмы [Текст]: учебное пособие / Л. А. Гладков, В. В. ^рейчик, В. М. ^рейчик; под. ред. В. М. ^рейчика. -Москва: Физматлит, 2006. - 320 с.

216. Курейчик, В. В. Бионспирированные методы в оптимизации [Текст] / В. В. ^рейчик, В. М. ^рейчик, Л. А. Гладков, П. В. Сорокалетов. - Москва: Физмалит, 2009.

217. Luc Baron, Sofiane Achiche, Marek Balazinski. Fuzzy decision support system knowledge base generation using a generic algorithm // International Journal of Approximate Reasoning, 2001. - № 28. - P. 125 - 148.

218. Yi-Sheng Zhou, Lin-Ying Lai. Optimal design for fuzzy controllers by genetic algorithms // IEEE transactions on industry applications, vol. 36, № 1, 2000. - P. 93 - 97. DOI: 10.1109/28.821802.

219. Kunjal Mankad, Priti Srinivas Sajja, Rajendra Akerkar. Evolving rules using genetic fuzzy approach - an educational case study // International journal on soft computing (IJSC). - 2011. - Vol. 2, № 1.

220. Chen Chen, Meilian Li, Jisheng Sui, Kangwen Wei, Qingqi Pei. A genetic algorithm-optimized fuzzy logic controller to avoid rear-end collisions // Journal of advanced transportation, Volume50, Issue 8, December 2016. - P. 1735 - 1753. https://doi.org/10.1002/atr.1426.

221. Yung-Chou Chen, Li-Huiwangb, Shyi-ming Chen. Generating weighted fuzzy rules from training data for dealing with the iris data classification problem // International journal of applied science and engineering, 2006. - № 4. - P. 41 - 52.

222. Игнатьев, В.В. Генетический поиск как инструмент преодоления лингвистической неопределённости [Текст] / В.В. Игнатьев. Инженерный вестник Дона, № 12 (2025). URL: http://www.ivdon.ru/uploads/article/pdf/IVD_100N12y25_Ignatyev_1.pdf_36720baf86. pdf.

223. Игнатьев, В.В. Метод прогнозирования диагностических параметров оборудования на основе генетического поиска / В.В. Игнатьев // Международный научно-исследовательский журнал. - 2025. - №12 (162). - URL: https://research-journal.org/archive/12-162-2025-december/10.60797/IRJ.2025.162.141. -DOI: 10.60797/IRJ.2025.162.141.

224. Пегат, А. Нечеткое моделирование и управление [Текст] / А. Пегат; пер. с англ. - М.: БИНОМ. Лаборатория знаний, 2009. - 798 с.: ил. - (Адаптивные и интеллектуальные системы). ISBN 978-5-94774-353-1.

225. Макаров, И. М.Абсолютная устойчивость систем управления электроприводами с ассоциативной памятью [Текст] / И. М. Макаров, В. М. Лохин, М. П. Романов. Интеллектуальные системы автоматического управления. Под ред.

И. М. Макарова, В. М. Лохина. - М. ФИЗМАТЛИТ, 2001 - 576 с. ISBN 5-9221-016251.

226. Макаров, И. М.Абсолютная устойчивость одного класса интеллектуальных САУ с ассоциативной памятью [Текст] / И. М. Макаров, В. М. Лохин, С. В. Манько, М. П. Романов // Мехатроника, автоматизация, управление № 1, 2009, с.13 - 21.

227. Макаров, И. М.Устойчивость интеллектуальных систем автоматического управления [Текст] / И. М. Макаров, В. М. Лохин, С. В. Манько, М. П. Романов, М. С. Ситников, Информационные технологии, 2013, с. 1 - 32.

ПРИЛОЖЕНИЯ

Программа автоматизации процесса генерации управляющих правил систем с нечеткой логикой на основе данных классических ПИ, ПИД регуляторов

Ш

т

а

ш

ж

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2018664041

Программа автоматизации процесса генерации управляющих правил систем с нечеткой логикой на основе данных классических ПИ, ПИД регуляторов

Правообладатель: федеральное государственное автономное образовательное учреждение высшего образования «Южный федеральный университет» (Южный федеральный университет)

ГОД

Авторы: см. на обороте

Заявка № 2018661072

Дата поступления 10 октября 2018 г.

Дата государственной регистрации в Реестре программ для ЭВМ 09 ноября 2018 г.

Руководитель Федеральной службы по интеллектуачьной собственности

Г.П. Ивлиев

ЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖ^:

Авторы: Игнатьев Владимир Владимирович (1111), Белоглазое Денис Александрович (ЯС), Соловьев Виктор Владимирович (ЯП), Игнатьева Александра Сергеевна (1111), Спиридонов Олег Борисович (Я11), Ковалев Андрей Владимирович (ЯII)

Программа для автоматического создания нечетких регуляторов на основе измерения

параметров технических объектов

ФВДШРАЩШШ

ж ж ж ж &

щшШШ

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2019662329

Программа для автоматического создания нечетких регуляторов на основе измерения параметров технических

объектов

Правообладатель: федеральное государственное автономное образовательное учреждение высшего образования «Южный федеральный университет» (Южный федеральный университет)

(яи)

Авторы: Игнатьев Владимир Владимирович (Я11), Белоглазое Денис Александрович (ЯП), Соловьев Виктор Владимирович (ЯП), Ковалев Андрей Владимирович (Я11), Игнатьева Александра Сергеевна (Я II)

Заявка № 2019661292 Дата поступления 13 сентября 2019 Г.

Дата государственной регистрации в Реестре программ для ЭВМ 20 сентября 2019 г.

Руководитель Федеральной службы по интеллектуальной собственности

Г.П. Ивлиев

й^ЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖЖ^:

Программа автоматической оптимизации параметров нечетких регуляторов на основе

генетического алгоритма

РТСШЙвАЖ ФВДШРАПРШ •

Ж Йшшшш m

ш

ш

ш

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2020613732

Программа автоматической оптимизации параметров нечетких регуляторов на основе генетического алгоритма

Правообладатель: федеральное государственное автономное образовательное учреждение высшего образования «Южный федеральный университет» (Южный федеральный университет)

(т

Авторы: см. на обороте

Заявка № 2020612844

Дата поступления 13 марта 2020 Г.

Дата государственной регистрации

в Реестре программ для эвм 23 марта 2020 г.

Руководитель Федеральной службы по интеллектуальной собственности

а—с <2-

ГЛ. Ивлиев

Авторы: Игнатьев Владимир Владимирович (Я11), Белоглазое Денис Александрович (Я С), Соловьев Виктор Владимирович (ЯЮ), Воротова Анастасия Алексеевна (¡111), Ковалев Андрей Владимирович (1111), Игнатьева Александра Сергеевна (ЯС!)

Программа автоматической оптимизации параметров нечетких регуляторов на основе

комбинированного оператора мутации

ШСШШЗ

ж

ж

ж

ж ж ж ж ж

ж &

Ж Ж

ж

ж ж

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2021613894

Программа автоматической оптимизации параметров нечетких регуляторов на основе комбинированного оператора мутации

Правообладатель: федеральное государственное автономное образовательное учреждение высшего образования «Южный федеральный университет» (Южный федеральный университет) (ЯII)

Авторы Игнатьев Владимир Владимирович (ЯП), Белоглазое Денис Александрович (Я11), Соловьев Виктор Владимирович (Я11), Ковалев Андрей Владимирович (ЯП)

Заявка №2021613032

Дата поступления 10 Марта 2021 Г.

Дата государственной регистрации

в Реестре программ для ЭВМ 16 Марта 2021 г.

Руководитель Федеральной службы по интеллектуальной собственности

с:

Г.П. Ивлиев

>жжжжжжжжжжжжжжжжжжжжжжжжжжжжжжжж<

АКТЫ ВНЕДРЕНИЯ

Согласовано

Утверждаю

Первый проректор ФГАОУ ВО «Южный федеральный

Генеральный директор АО НИИ ЦПС

г.

^Куприянов

о внедрении результатов диссертационной работы Игнатьева Владимира Владимировича на соискание ученой степени доктора технических наук, посвященной разработке методов и моделей интеллектуального управления техническими объектами в условиях неопределенности

Мы, нижеподписавшиеся:

• от АО «Научно-исследовательский институт «Центрпрограммсистем» (далее - АО НИИ ЦПС) - заместитель генерального директора по развитию предприятия И.А. Конюхов, главный специалист лаборатории отдела 29 Н.И. Бодрина

• от ФГАОУ ВО «Южный федеральный университет» - руководитель работ, к.т.н. ведущий научный сотрудник Института радиотехнических систем и управления В.В. Игнатьев

• научный консультант В.В. Игнатьева по диссертационной работе -д.т.н., доцент, профессор кафедры информатики и прикладной математики ФГБОУ ВО «Тверской государственный технический университет» Г.П. Виноградов

составили настоящий акт в том, что для информационной поддержки принятия решений по проектированию интеллектуальных законов управления в технических системах различной степени автоматизации АО НИИ ЦПС использованы алгоритмы и программные модели, разработанные в рамках диссертационного исследования Игнатьева В.В. на соискание ученой степени доктора технических наук.

Алгоритмы и программные модели использованы на этапах эскизного и технического проектирования ряда опытно-конструкторских работ, выполняемых АО НИИ ЦПС.

Конкретно были использованы следующие результаты диссертационного исследования:

- алгоритм самоорганизации робастных баз знаний на основе двухэтапной гибридизации классического и нечеткого регуляторов;

- алгоритм автоматического создания нечетких регуляторов;

- программная модель для автоматического создания нечетких регуляторов на основе измерения параметров технических объектов;

- программная модель автоматической оптимизации параметров нечетких регуляторов на основе генетического алгоритма.

Использование указанных результатов позволило:

- обеспечить построение нечетких логико-динамических моделей управления сложными техническими объектами;

- обеспечить эффективное и надежное управление техническими объектами, функционирующими в плохо формализуемых и слабо определенных средах.

От ФГАОУ ВО «Южный федеральный университет»

От АО НИИ ЦПС

Рук. работ, к.т.н., ведущий Зам. генерального директора по

научный сотрудник Института развитию предприятия радиотехнических систем и /

Научный консультант, д.т.н., Главный специалист лаборатории

доцент, профессор кафедры отдела 29, к.т.н.

информатики и прикладной математики ФГБОУ ВО

«Тверской государственный

Акционерное общество

«КОМБИНАТ КРУПНОПАНеЛЬНОГО домостроения-

ИНН 6168000805, КПП 616801001

Р/С 40702810952090102105 В Юго-Западный Банк СБ РФ г. Ростов-на-Дону, N«5221/0369

К/С 30101810600000000602

БИК 046015602, ОГРН 1026104357014

Телефон коммерческого отдела: [phone]. <-7-928-185-07-08 344016, г. Ростов-на-Дону, пер.1-й Машиностроительный, 5 e-mail: aokkpd®kkpd.ru, www.kkpd.ru

hAVU

ккпд

АО «Комбинат крупно

ТВЕРЖДАЮ директор оения» Павлов

2024г.

АКТ

о внедрении результатов диссертации Игнатьева Владимира Владимировича на соискание ученой степени доктора технических наук

Настоящий акт составлен в том, что результаты диссертационной работы Игнатьева В.В., посвященной разработке методов и моделей интеллектуального управления техническими объектами в условиях неопределенности, использованы в проекте по модернизации и внедрению специального программного обеспечения, настройке линии адресной подачи бетона на АО «ККПД», г. Ростов-на-Дону.

В ходе разработки методов и алгоритмов управления технологическим процессом были внедрены следующие результаты диссертационного исследования:

1. Методы гибридного управления техническими объектами, отличающиеся применением интеллектуальных регуляторов на основе самоорганизации базы знаний без привлечения эксперта.

2. Алгоритм самоорганизации робастных баз знаний, основу которого составляет двухэтапная гибридизация классического и нечеткого регуляторов, исключая привлечение эксперта для создания базы правил нечеткого регулятора.

3. Алгоритм автоматической генерации управляющих правил систем с нечеткой логикой на основе данных, полученных с классических регуляторов, исключающий участие эксперта в формировании базы правил интеллектуального регулятора.

4. Алгоритм автоматического создания нечетких регуляторов, отличающийся измерением параметров технических объектов и позволяющий автоматически определять параметры функций принадлежности лингвистических переменных нечетких регуляторов и создавать базы нечетких правил на основе измерения параметров функционирования технических объектов с выполнением проверки полноты баз правил, ее редуцированием для устранения неопределенности и генерацией нечеткого регулятора в виде Р18-структуры.

Внедрение полученных в диссертации результатов позволило при разработке специального программного обеспечения, отличающегося повышенной алгоритмической сложностью, обеспечить высокоэффективную реализацию

функций автоматического, полуавтоматического и ручного управления бетоновозами.

Общий положительный эффект от использования полученных в диссертации результатов заключается в возможности разработки комплекса научно-технических решений для оптимизации технологических и производственных процессов на начальных этапах их проектирования и понимания на этой основе потенциала данных процессов с целью дальнейшего использования.

Главный энергетик

АО «Комбинат крупнопанельного домостроения»

ecima

Общество с ограниченной ответственностью «ДЕЦИМА»